Willkommen zu diesem Kurs über die Anpassung Ihrer Modelle mit TensorFlow 2! In diesem Kurs vertiefen Sie Ihre Kenntnisse und Fähigkeiten mit TensorFlow, um vollständig angepasste Deep Learning Modelle und Workflows für jede Anwendung zu entwickeln. Sie werden APIs auf niedrigerer Ebene in TensorFlow verwenden, um komplexe Modellarchitekturen, vollständig angepasste Schichten und einen flexiblen Datenworkflow zu entwickeln. Sie werden Ihr Wissen über die TensorFlow-APIs auch auf Sequenzmodelle ausweiten. Sie werden die erlernten Konzepte in praktischen Programmierübungen, durch die Sie von einem Lehrassistenten angeleitet werden, sofort in die Praxis umsetzen. Zusätzlich gibt es eine Reihe von automatisch benoteten Programmieraufgaben, mit denen Sie Ihre Fähigkeiten festigen können. Am Ende des Kurses werden Sie viele der Konzepte in einem Capstone Project zusammenführen, in dem Sie ein eigenes neuronales Übersetzungsmodell von Grund auf entwickeln werden. TensorFlow ist eine Open-Source-Maschinenbibliothek und eines der am häufigsten verwendeten Frameworks für Deep Learning. Die Veröffentlichung von TensorFlow 2 stellt einen Schritt in der Produktentwicklung dar, wobei der Schwerpunkt auf der Benutzerfreundlichkeit für alle Benutzer, vom Anfänger bis zum Fortgeschrittenen, liegt.
Anpassen Ihrer Modelle mit TensorFlow 2
Dieser Kurs ist Teil von Spezialisierung TensorFlow 2 für Deep Learning
Dozent: Dr Kevin Webster
13.989 bereits angemeldet
Enthalten in
(188 Bewertungen)
Empfohlene Erfahrung
Kompetenzen, die Sie erwerben
- Kategorie: Tensorflow
- Kategorie: Deep Learning
- Kategorie: keras
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
3 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 5 Module
TensorFlow bietet mehrere API-Ebenen für die Konstruktion von Deep Learning-Modellen mit unterschiedlichem Maß an Kontrolle und Flexibilität. In dieser Woche werden Sie lernen, die funktionale API für die Entwicklung flexiblerer Modellarchitekturen zu verwenden, einschließlich Modellen mit mehreren Eingängen und Ausgängen. Außerdem lernen Sie etwas über Tensoren und Variablen sowie den Zugriff auf und die Verwendung von inneren Schichten innerhalb eines Modells. In der Programmieraufgabe dieser Woche werden Sie diese Techniken anhand einer Transfer-Learning-Anwendung für den Bilddatensatz Hunde und Katzen in die Praxis umsetzen.
Das ist alles enthalten
14 Videos5 Lektüren1 Aufgabe1 Programmieraufgabe1 Diskussionsthema6 Unbewertete Labore1 Plug-in
Eine flexible und effiziente Datenpipeline ist einer der wichtigsten Bestandteile der Deep Learning-Modellentwicklung. In dieser Woche lernen Sie einen leistungsstarken Arbeitsablauf für das Laden, Verarbeiten, Filtern und sogar Erweitern von Daten im laufenden Betrieb mit den Werkzeugen von Keras und dem tf.data Modul kennen. In der Programmieraufgabe dieser Woche werden Sie beide Tools anwenden, um eine Datenpipeline für die LSUN- und CIFAR-100-Datensätze zu implementieren.
Das ist alles enthalten
12 Videos1 Lektüre1 Aufgabe1 Programmieraufgabe8 Unbewertete Labore
Sequenzmodellierungsaufgaben stellen eine reichhaltige und interessante Klasse von Problemen dar, die von natürlichsprachlichen Aufgaben wie Part-of-Speech-Tagging und Sentiment-Analyse bis hin zur Vorhersage von Finanzzeitreihen und der Erzeugung von Sprachaudio reichen. In dieser Woche lernen Sie, wie Sie die rekurrente neuronale Netzwerk-API in TensorFlow verwenden, sowie verschiedene nützliche Ebenentypen und Tools zur Verarbeitung von Sequenzdaten. In der Programmieraufgabe dieser Woche werden Sie ein generatives Sprachmodell für den Shakespeare-Datensatz entwickeln.
Das ist alles enthalten
13 Videos1 Aufgabe1 Programmieraufgabe7 Unbewertete Labore
Für fortgeschrittene Anwendungsfälle von TensorFlow ist es möglich, ein geringes Maß an Kontrolle über das Design und das Verhalten Ihres Deep Learning-Modells sowie die Trainingsschleife selbst zu erhalten. In dieser Woche lernen Sie, wie Sie die Modell- und Layer-Subklassen-API nutzen können, um völlig flexible Modellarchitekturen zu entwickeln, und wie Sie die automatischen Differenzierungswerkzeuge in TensorFlow nutzen können, um eigene Trainingsschleifen zu implementieren. In der Programmieraufgabe dieser Woche werden Sie diese Tools zur Erstellung von benutzerdefinierten Modellen einsetzen, um ein tiefes Restnetzwerk zu entwickeln.
Das ist alles enthalten
12 Videos1 Programmieraufgabe8 Unbewertete Labore
In diesem Kurs haben Sie eine Reihe leistungsstarker Tools für die Entwicklung maßgeschneiderter Deep-Learning-Modelle, auch für Sequenzdaten, sowie flexible Datenpipelines kennen gelernt. Das Capstone-Projekt verbindet viele dieser Konzepte mit einer Aufgabe zur Entwicklung eines maßgeschneiderten neuronalen Übersetzungsmodells vom Englischen ins Deutsche.
Das ist alles enthalten
2 Videos1 peer review1 Unbewertetes Labor1 Plug-in
Dozent
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Imperial College London
Imperial College London
Imperial College London
Emory University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 188
188 Bewertungen
- 5 stars
87,23 %
- 4 stars
8,51 %
- 3 stars
1,06 %
- 2 stars
0 %
- 1 star
3,19 %
Geprüft am 3. Nov. 2020
Geprüft am 23. Nov. 2020
Geprüft am 23. Juli 2022
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Jupyter Notebooks sind einDrittanbieter-Tool, das einige Coursera-Kurse für Programmieraufgaben verwenden.
Sie können Ihren Code rückgängig machen oder eine neue Kopie Ihres Jupyter-Notizbuchs mitten in der Aufgabe erhalten. Standardmäßig speichert Coursera Ihre Arbeit in jedem Notizbuch dauerhaft.
Um Ihre alte Arbeit zu behalten und eine neue Kopie des ursprünglichen Jupyter-Notizbuchs zu erhalten, klicken Sie aufDatei und dann aufKopie erstellen.
Wir empfehlen Ihnen, eine Namenskonvention wie "Assignment 1 - Initial" oder "Copy" beizubehalten, damit Ihre Notebook-Umgebung übersichtlich bleibt. Sie können diese Datei auch lokal herunterladen.
Aktualisieren Sie Ihr Notizbuch
Benennen Sie Ihr bestehendes Jupyter-Notizbuch in der individuellen Notizbuchansicht um
Fügen Sie in der Notizbuchansicht "?forceRefresh=true" an das Ende der URL Ihres Notizbuchs an
Laden Sie den Bildschirm neu
Sie werden zu Ihrem Arbeitsbereich für Lernende weitergeleitet, wo Sie sowohl alte als auch neue Notizbuchdateien sehen.
Ihr Notizbuch-Lektionselement wird nun mit dem neuen Notizbuch gestartet.
Fehlende Arbeit finden
Wenn Ihre Jupyter-Notizbuchdateien verschwunden sind, bedeutet dies, dass die Kursleitung eine neue Version eines bestimmten Notizbuchs veröffentlicht hat, um Probleme zu beheben oder Verbesserungen vorzunehmen. Ihre Arbeit ist noch unter dem ursprünglichen Namen der vorherigen Version des Notizbuchs gespeichert.
So stellen Sie Ihre Arbeit wieder her:
Finden Sie die aktuelle Version Ihres Notizbuchs, indem Sie oben im Notizbuchfenster nach dem Titel suchen
Klicken Sie in Ihrer Notebook-Ansicht auf das Coursera-Logo
Suchen Sie den Namen Ihrer vorherigen Datei und klicken Sie darauf
Nicht gespeicherte Arbeit
"Kernels" sind die Ausführungsmaschinen hinter der Jupyter Notebook UI. Da der Kernel nach 90 Minuten Aktivität im Notizbuch eine Zeitüberschreitung erleidet, sollten Sie Ihre Notizbücher regelmäßig speichern, um den Verlust von Arbeit zu vermeiden. Wenn der Kernel vor dem Speichern eine Zeitüberschreitung erfährt, können Sie die Arbeit in Ihrer aktuellen Sitzung verlieren.
Wie Sie feststellen können, ob Ihr Kernel eine Zeitüberschreitung verursacht hat:
Im Bereich der Symbolleiste werden Fehlermeldungen wie "Methode nicht erlaubt" angezeigt.
Die im Titel des Notizbuchfensters angezeigte Zeit für die letzte Speicherung oder den letzten automatischen Prüfpunkt wurde in letzter Zeit nicht aktualisiert
Ihre Zellen laufen nicht oder rechnen nicht, wenn Sie "Shift + Enter" drücken
Um Ihren Kernel neu zu starten:
Speichern Sie Ihr Notizbuch lokal, um Ihren aktuellen Fortschritt zu speichern
Klicken Sie in der Symbolleiste des Notizbuchs aufKernel und dann aufNeustart
Testen Sie Ihren Kernel, indem Sie eine Druckanweisung in einer Ihrer Notizbuchzellen ausführen. Wenn dies erfolgreich ist, können Sie weiter speichern und mit Ihrer Arbeit fortfahren.
Wenn Ihr Notebook-Kernel immer noch eine Zeitüberschreitung aufweist, versuchen Sie, Ihren Browser zu schließen und das Notebook neu zu starten. Wenn das Notebook wieder geöffnet wird, müssen Sie "Zelle -> Alles ausführen" oder "Zelle -> Alles oben ausführen" wählen, um den Ausführungsstatus zu regenerieren.
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.