Ist finanzielle Unterstützung verfügbar?

Ja. Für ausgewählte Lernprogramme können Sie eine finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Anmeldungsgebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zum Antragsformular.

Anpassen Ihrer Modelle mit TensorFlow 2

Anpassen Ihrer Modelle mit TensorFlow 2

Dieser Kurs ist Teil von Spezialisierung „TensorFlow 2 für Deep Learning“

Dozent: Dr Kevin Webster

14.698 bereits angemeldet

Bei enthalten

Mehr erfahren

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

196 Bewertungen

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan

3 Wochen bei 10 Stunden eine Woche

In Ihrem eigenen Lerntempo lernen

90%

Den meisten Lernenden hat dieser Kurs gefallen

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

196 Bewertungen

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan

3 Wochen bei 10 Stunden eine Woche

In Ihrem eigenen Lerntempo lernen

90%

Den meisten Lernenden hat dieser Kurs gefallen

Kompetenzen, die Sie erwerben

Kategorie: Deep Learning
Kategorie: Transfer Learning
Kategorie: Natural Language Processing
Kategorie: Data Pipelines
Kategorie: Embeddings
Kategorie: Recurrent Neural Networks (RNNs)
Kategorie: Model Evaluation
Kategorie: Convolutional Neural Networks

Werkzeuge, die Sie lernen werden

Kategorie: Tensorflow
Kategorie: Keras (Neural Network Library)

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

3 Zuweisungen¹

KI-bewertet siehe Haftungsausschluss

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „TensorFlow 2 für Deep Learning“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

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

In diesem Kurs gibt es 5 Module

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.

Dieser Kurs schließt direkt an den vorherigen Kurs Erste Schritte mit TensorFlow 2 an. Weitere Voraussetzungen für die erfolgreiche Teilnahme an diesem Kurs sind die Beherrschung der Programmiersprache Python (dieser Kurs verwendet Python 3), Kenntnisse allgemeiner Konzepte des maschinellen Lernens (z.B. Overfitting/Underfitting, überwachte Lernaufgaben, Validierung, Regularisierung und Modellauswahl) sowie Kenntnisse im Bereich des Deep Learning, einschließlich typischer Modellarchitekturen (MLP, CNN, RNN, ResNet) und Konzepte wie Transfer Learning, Datenerweiterung und Worteinbettung.

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

14 Videos Insgesamt 81 Minuten

Willkommen bei Anpassen Ihrer Modelle mit TensorFlow 2 2 Minuten
Interview mit Laurence Moroney 5 Minuten
Die funktionale Keras-API 6 Minuten
Mehrere Eingänge und Ausgänge 6 Minuten
[Coding-Tutorial] Mehrere Eingänge und Ausgänge 10 Minuten
Variablen 5 Minuten
Tensoren 6 Minuten
[Coding-Tutorial] Variablen und Tensoren 9 Minuten
Zugriff auf Ebenenvariablen 4 Minuten
Zugriff auf die Ebene Tensors 5 Minuten
[Coding-Tutorial] Zugriff auf Modellebenen 8 Minuten
Gefrierschichten 5 Minuten
[Coding-Tutorial] Ebenen einfrieren 8 Minuten
Nachbereitung und Einführung in die Programmieraufgabe 1 Minute

5 Lektüren Insgesamt 50 Minuten

Über das Imperial College & das Team 10 Minuten
Wie Sie in diesem Kurs erfolgreich sein können 10 Minuten
Benotungspolitik 10 Minuten
Zusätzliche Lektüre & hilfreiche Referenzen 10 Minuten
Platzierung des Geräts 10 Minuten

1 Aufgabe Insgesamt 10 Minuten

[Wissens-Check] Transfer-Lernen 10 Minuten

1 Programmieraufgabe Insgesamt 60 Minuten

Lernen übertragen 60 Minuten

1 Diskussionsthema Insgesamt 10 Minuten

Stellen Sie sich vor 10 Minuten

6 Unbewertete Labore Insgesamt 160 Minuten

[Coding-Tutorial] Mehrere Eingänge und Ausgänge 20 Minuten
[Coding-Tutorial] Variablen und Tensoren 20 Minuten
[Coding-Tutorial] Zugriff auf Modellebenen 20 Minuten
[Lesen] Ebenen-Knoten 20 Minuten
[Coding-Tutorial] Ebenen einfrieren 20 Minuten
Lernen übertragen 60 Minuten

1 Plug-in Insgesamt 15 Minuten

Umfrage vor dem Kurs 15 Minuten

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

12 Videos Insgesamt 93 Minuten

Willkommen zu Woche 2 - Data Pipeline 2 Minuten
Keras-Datensätze 3 Minuten
[Coding-Tutorial] Keras-Datensätze 12 Minuten
Datensatz-Generatoren 7 Minuten
[Coding-Tutorial] Datensatz-Generatoren 12 Minuten
Keras Bilddatenerweiterung 6 Minuten
[Kodierungs-Tutorial] Keras Bilddatenerweiterung 11 Minuten
Die Klasse Dataset 9 Minuten
[Coding-Tutorial] Die Klasse Dataset 11 Minuten
Training mit Datensätzen 7 Minuten
[Coding-Tutorial] Training mit Datensätzen 12 Minuten
Nachbereitung und Einführung in die Programmieraufgabe 1 Minute

1 Lektüre Insgesamt 10 Minuten

TensorFlow-Datensätze 10 Minuten

1 Aufgabe Insgesamt 15 Minuten

[Wissens-Check] Python-Generatoren 15 Minuten

1 Programmieraufgabe Insgesamt 60 Minuten

Daten-Pipeline mit Keras und tf.data 60 Minuten

8 Unbewertete Labore Insgesamt 200 Minuten

[Coding-Tutorial] Keras-Datensätze 20 Minuten
[Coding-Tutorial] Datensatz-Generatoren 20 Minuten
[Kodierungs-Tutorial] Keras Bilddatenerweiterung 20 Minuten
[Lesen] TimeSeriesGenerator 20 Minuten
[Coding-Tutorial] Die Klasse Dataset 20 Minuten
[Lesen] Erstellen von Datensätzen aus verschiedenen Quellen 20 Minuten
[Coding-Tutorial] Training mit Datensätzen 20 Minuten
Daten-Pipeline mit Keras und tf.data 60 Minuten

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

13 Videos Insgesamt 92 Minuten

Willkommen zu Woche 3 - Sequenzmodellierung 2 Minuten
Interview mit Doug Kelly 11 Minuten
Vorverarbeitung von Sequenzdaten 7 Minuten
[Coding-Tutorial] Der IMDB-Datensatz 9 Minuten
[Kodierungslehrgang] Auffüllen und Maskieren von Sequenzdaten 7 Minuten
Die Einbettungsebene 5 Minuten
[Coding-Tutorial] Die Einbettungsebene 5 Minuten
[Coding-Tutorial] Der Einbettungsprojektor 13 Minuten
Rekurrente neuronale Netzwerkschichten 5 Minuten
[Kodierungs-Tutorial] Rekurrente neuronale Netzwerkschichten 9 Minuten
Gestapelte RNNs und der Bidirektionale Wrapper 8 Minuten
[Kodierungs-Tutorial] Gestapelte RNNs und der Bidirektionale Wrapper 11 Minuten
Nachbereitung und Einführung in die Programmieraufgabe 1 Minute

1 Aufgabe Insgesamt 15 Minuten

[Wissens-Check] Rekurrente neuronale Netze 15 Minuten

1 Programmieraufgabe Insgesamt 60 Minuten

Sprachmodell für den Shakespeare-Datensatz 60 Minuten

7 Unbewertete Labore Insgesamt 180 Minuten

[Kodierungs-Tutorial] Vorverarbeitung von Sequenzdaten 20 Minuten
[Lesen] Tokenisierung von Textdaten 20 Minuten
[Coding-Tutorial] Einbettungen 20 Minuten
[Kodierungs-Tutorial] Rekurrente neuronale Netzwerkschichten 20 Minuten
[Kodierungs-Tutorial] Gestapelte RNNs und der Bidirektionale Wrapper 20 Minuten
[Lesen] Zustandsabhängige RNNs 20 Minuten
Sprachmodell für den Shakespeare-Datensatz 60 Minuten

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

12 Videos Insgesamt 71 Minuten

Willkommen zu Woche 4 - Modellunterklassen und benutzerdefinierte Trainingsschleifen 2 Minuten
Modell-Unterklassifizierung 6 Minuten
[Coding-Tutorial] Modell-Unterklassenbildung 5 Minuten
Benutzerdefinierte Ebenen 7 Minuten
[Coding-Tutorial] Benutzerdefinierte Ebenen 10 Minuten
Automatische Unterscheidung 5 Minuten
[Coding-Tutorial] Automatische Differenzierung 7 Minuten
Benutzerdefinierte Trainingsschleifen 8 Minuten
[Coding-Tutorial] Benutzerdefinierte Trainingsschleifen 11 Minuten
tf.function Dekorator 4 Minuten
[Coding-Tutorial] tf.function Dekorator 5 Minuten
Nachbereitung und Einführung in die Programmieraufgabe 2 Minuten

1 Programmieraufgabe Insgesamt 60 Minuten

Residuales Netzwerk 60 Minuten

8 Unbewertete Labore Insgesamt 200 Minuten

[Coding-Tutorial] Modell-Unterklassenbildung 20 Minuten
[Coding-Tutorial] Benutzerdefinierte Ebenen 20 Minuten
[Lesen] Die Build-Methode 20 Minuten
[Coding-Tutorial] Automatische Differenzierung 20 Minuten
[Coding-Tutorial] Benutzerdefinierte Trainingsschleifen 20 Minuten
[Lesen] Metriken in benutzerdefinierten Trainingsschleifen nachverfolgen 20 Minuten
[Coding-Tutorial] tf.function Dekorator 20 Minuten
Residuales Netzwerk 60 Minuten

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

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Lehrkraftbewertungen

(57 Bewertungen)

Dr Kevin Webster

Imperial College London

6 Kurse 48.046 Lernende

von

Imperial College London

Mehr von Maschinelles Lernen entdecken

Imperial College London
Getting started with TensorFlow 2
Kurs
DeepLearning.AI
Custom Models, Layers, and Loss Functions with TensorFlow
Kurs
DeepLearning.AI
Custom and Distributed Training with TensorFlow
Kurs
Imperial College London
TensorFlow 2 for Deep Learning
Spezialisierung

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

5 stars
87,24 %
4 stars
8,67 %
3 stars
1,02 %
2 stars
0 %
1 star
3,06 %

Zeigt 3 von 196 an

Geprüft am 31. Dez. 2023

Take note Tensorflow is still 2.0.0, not updated to later versions for labs

Geprüft am 6. Apr. 2021

I recumbent this course.A lot of practice: notebooks, assessments, capstone project and just enough theory about TensorFlow

Geprüft am 15. Juli 2021

Excellent course materials, videos, lab sessions and capstone project.

Weitere Bewertungen anzeigen

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten

Mehr erfahren

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Erkunden Sie die Abschlüsse

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.

Mehr erfahren

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.

Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. 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 Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.

Weitere Fragen

Besuchen Sie die das Hilfe-Center für Kursteilnehmer.

Finanzielle Unterstützung verfügbar,

¹ Einige Aufgaben in diesem Kurs werden mit AI bewertet. Für diese Aufgaben werden Ihre Daten in Übereinstimmung mit Datenschutzhinweis von Courseraverwendet.