Bienvenue à ce cours sur la personnalisation de vos modèles avec TensorFlow 2 ! Dans ce cours, vous approfondirez vos connaissances et vos compétences avec TensorFlow, afin de développer des modèles d'apprentissage profond entièrement personnalisés et des flux de travail pour n'importe quelle application. Vous utiliserez les API de bas niveau de TensorFlow pour développer des architectures de modèles complexes, des couches entièrement personnalisées et un flux de données flexible. Vous élargirez également votre connaissance des API de TensorFlow pour inclure des modèles de séquence. Vous mettrez les concepts que vous apprenez en pratique immédiatement dans des tutoriels de codage pratiques et concrets, qui vous seront guidés par un assistant d'enseignement diplômé. En outre, une série de devoirs de programmation notés automatiquement vous permettra de consolider vos compétences. À la fin du cours, vous réunirez de nombreux concepts dans un projet Capstone, où vous développerez un modèle de traduction neuronale personnalisé à partir de zéro. TensorFlow est une bibliothèque de machine open source et l'un des cadres les plus largement utilisés pour l'apprentissage en profondeur. La sortie de TensorFlow 2 marque un changement dans le développement du produit, avec un accent particulier sur la facilité d'utilisation pour tous les utilisateurs, du niveau débutant au niveau avancé.
Personnaliser vos modèles avec TensorFlow 2
Ce cours fait partie de Spécialisation TensorFlow 2 pour l'apprentissage profond
Instructeur : Dr Kevin Webster
14 065 déjà inscrits
Inclus avec 
(189 avis)
Expérience recommandée
Compétences que vous acquerrez
- Catégorie : Tensorflow
- Catégorie : Deep learning
- Catégorie : keras
Détails à connaître
Ajouter à votre profil LinkedIn
3 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 5 modules dans ce cours
TensorFlow offre plusieurs niveaux d'API pour construire des modèles d'apprentissage profond, avec différents niveaux de contrôle et de flexibilité. Dans cette semaine, vous apprendrez à utiliser l'API fonctionnelle pour développer des architectures de modèles plus flexibles, y compris des modèles avec plusieurs entrées et sorties. Vous découvrirez également les tenseurs et les variables, ainsi que l'accès et l'utilisation des couches internes d'un modèle. Le travail de programmation de cette semaine mettra ces techniques en pratique avec une application d'apprentissage par transfert sur l'ensemble de données d'images de chiens et de chats.
Inclus
14 vidéos5 lectures1 devoir1 devoir de programmation1 sujet de discussion6 laboratoires non notés1 plugin
Un pipeline de données flexible et efficace est l'une des parties les plus essentielles du développement de modèles d'apprentissage profond. Au cours de cette semaine, vous apprendrez un flux de travail puissant pour charger, traiter, filtrer et même augmenter les données à la volée en utilisant des outils de Keras et le module tf.data. Dans le devoir de programmation de cette semaine, vous appliquerez les deux ensembles d'outils pour mettre en œuvre un pipeline de données pour les ensembles de données LSUN et CIFAR-100.
Inclus
12 vidéos1 lecture1 devoir1 devoir de programmation8 laboratoires non notés
Les tâches de modélisation de séquences représentent une classe de problèmes riche et intéressante, allant des tâches de langage naturel telles que l'étiquetage de parties de discours et l'analyse de sentiment, à la prévision de séries temporelles financières et à la génération audio vocale. Au cours de cette semaine, vous apprendrez à utiliser l'API de réseau neuronal récurrent dans TensorFlow, ainsi que plusieurs types de couches et outils utiles pour le traitement des données de séquence. Dans l'exercice de programmation de cette semaine, vous développerez un modèle de langage génératif sur l'ensemble de données Shakespeare.
Inclus
13 vidéos1 devoir1 devoir de programmation7 laboratoires non notés
Pour les cas d'utilisation plus avancés de TensorFlow, il est possible d'obtenir un faible niveau de contrôle sur la conception et le comportement de votre modèle d'apprentissage profond, ainsi que sur la boucle d'entraînement elle-même. Au cours de cette semaine, vous apprendrez à exploiter l'API de sous-classement des modèles et des couches pour développer des architectures de modèles entièrement flexibles, ainsi qu'à utiliser les outils de différenciation automatique de TensorFlow pour mettre en œuvre des boucles d'apprentissage personnalisées. Dans le devoir de programmation de cette semaine, vous mettrez en œuvre ces outils de construction de modèles personnalisés pour développer un réseau résiduel profond.
Inclus
12 vidéos1 devoir de programmation8 laboratoires non notés
Dans ce cours, vous avez appris un ensemble puissant d'outils pour développer des modèles d'apprentissage profond personnalisés, y compris pour les données de séquence, et des pipelines de données flexibles. Le projet Capstone rassemble plusieurs de ces concepts avec une tâche consistant à développer un modèle de traduction neuronale personnalisé de l'anglais vers l'allemand.
Inclus
2 vidéos1 évaluation par les pairs1 laboratoire non noté1 plugin
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
189 avis
- 5 stars
87,30 %
- 4 stars
8,46 %
- 3 stars
1,05 %
- 2 stars
0 %
- 1 star
3,17 %
Affichage de 3 sur 189
Révisé le 23 juil. 2022
It would be better if related readings can contain some of the background knowledge.
Révisé le 3 nov. 2020
This course is very challenging, as require concrete understanding on tensorflow to conduct the whole project
Révisé le 8 janv. 2022
Great follow up for the first course by going deeper to Tensorf Flow 2.0
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
Les Jupyter Notebooks sont unoutil tiers que certains cours Coursera utilisent pour les devoirs de programmation.
Vous pouvez revenir sur votre code ou obtenir une nouvelle copie de votre carnet Jupyter à mi-parcours. Par défaut, Coursera stocke de manière persistante votre travail au sein de chaque carnet.
Pour conserver votre ancien travail et obtenir une nouvelle copie du bloc-notes Jupyter initial, cliquez surFichier, puis surFaire une copie.
Nous vous recommandons de respecter une convention de dénomination telle que " Devoir 1 - Initial " ou " Copie " pour que l'environnement de votre carnet de notes reste organisé. Vous pouvez également télécharger ce fichier localement.
Actualisez votre carnet de notes
Renommez votre bloc-notes Jupyter existant dans la vue du bloc-notes individuel
Dans la vue du bloc-notes, ajoutez "?forceRefresh=true" à la fin de l'URL de votre bloc-notes
Recharger l'écran
Vous serez redirigé vers votre espace de travail personnel où vous verrez les anciens et les nouveaux fichiers Notebook.
L'élément de leçon de votre bloc-notes sera maintenant lancé dans le nouveau bloc-notes.
Trouver le travail manquant
Si vos fichiers Jupyter Notebook ont disparu, cela signifie que le personnel du cours a publié une nouvelle version d'un notebook donné afin de corriger des problèmes ou d'apporter des améliorations. Votre travail est toujours enregistré sous le nom original de la version précédente du notebook.
Pour récupérer votre travail :
Trouvez la version actuelle de votre carnet de notes en vérifiant le titre en haut de la fenêtre du carnet de notes
Dans la vue de votre carnet de notes, cliquez sur le logo Coursera
Recherchez et cliquez sur le nom de votre fichier précédent
Travail non sauvegardé
les "Kernels" sont les moteurs d'exécution derrière l'interface Jupyter Notebook. Comme les noyaux s'arrêtent au bout de 90 minutes d'activité du bloc-notes, veillez à sauvegarder fréquemment vos blocs-notes pour ne pas perdre de travail. Si le noyau s'arrête avant la sauvegarde, vous risquez de perdre le travail de votre session en cours.
Comment savoir si votre noyau s'est arrêté :
Des messages d'erreur tels que "Méthode non autorisée" apparaissent dans la barre d'outils.
L'heure de la dernière sauvegarde ou du dernier point de contrôle automatique indiquée dans le titre de la fenêtre du bloc-notes n'a pas été mise à jour récemment
Vos cellules ne fonctionnent pas ou ne calculent pas lorsque vous appuyez sur les touches "Shift + Enter"
Pour redémarrer votre noyau :
Sauvegardez votre carnet de notes localement pour enregistrer votre progression actuelle
Dans la barre d'outils du bloc-notes, cliquez surNoyau, puis surRedémarrer
Essayez de tester votre noyau en exécutant une instruction d'impression dans l'une des cellules de votre bloc-notes. Si l'opération réussit, vous pouvez continuer à enregistrer et à poursuivre votre travail.
Si le noyau de votre ordinateur portable est toujours en panne, essayez de fermer votre navigateur et de relancer l'ordinateur portable. Lorsque le bloc-notes s'ouvrira à nouveau, vous devrez faire "Cell -> Run All" ou "Cell -> Run All Above" pour régénérer l'état d'exécution.
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.