Dans ce cours, vous allez : - Apprendre à connaître les objets Tensor, les blocs de construction fondamentaux de TensorFlow, comprendre la différence entre les modes eager et graph dans TensorFlow, et apprendre à utiliser un outil TensorFlow pour calculer les gradients - Construire vos propres boucles d'entraînement personnalisées en utilisant GradientTape et TensorFlow Datasets pour obtenir plus de flexibilité et de visibilité avec l'entraînement de votre modèle - Apprendre les avantages de la génération de code qui s'exécute en mode graph, jeter un coup d'œil à ce à quoi ressemble le code graph, et pratiquer la génération de ce code plus efficace automatiquement avec les outils TensorFlow

- Découvrez les avantages de la génération de code qui s'exécute en mode graphique, jetez un coup d'œil à ce à quoi ressemble un code graphique et entraînez-vous à générer ce code plus efficace automatiquement avec les outils de TensorFlow - Exploitez la puissance de l'entraînement distribué pour traiter plus de données et entraîner des modèles plus importants, plus rapidement, obtenez un aperçu des différentes stratégies d'entraînement distribué et entraînez-vous à travailler avec une stratégie qui entraîne sur plusieurs cœurs GPU et une autre qui entraîne sur plusieurs cœurs TPU. La spécialisation DeepLearning.AI TensorFlow : Advanced Techniques présente les fonctionnalités de TensorFlow qui offrent aux apprenants plus de contrôle sur l'architecture de leur modèle et des outils qui les aident à créer et à former des modèles ML avancés. Cette Specialization s'adresse aux ingénieurs en logiciel et en machine learning en début et milieu de carrière ayant une compréhension fondamentale de TensorFlow et qui cherchent à élargir leurs connaissances et leurs compétences en apprenant les fonctionnalités avancées de TensorFlow pour construire des modèles puissants.

Dans ce cours, vous allez : a) Explorer la classification d'images, la segmentation d'images, la localisation d'objets et la détection d'objets. Appliquer l'apprentissage par transfert à la localisation et à la détection d'objets. b) Appliquer des modèles de détection d'objets tels que regional-CNN et ResNet-50, personnaliser des modèles existants et construire vos propres modèles pour détecter, localiser et étiqueter vos propres images de canards en caoutchouc. c) Mettre en œuvre la segmentation d'images en utilisant des variantes du réseau entièrement convolutif (FCN), y compris U-Net et d) Mask-RCNN pour identifier et détecter des nombres, des animaux domestiques, des zombies, etc.

d) Identifier quelles parties d'une image sont utilisées par votre modèle pour faire ses prédictions en utilisant des cartes d'activation de classe et des cartes de saillance et appliquer ces méthodes d'interprétation ML pour inspecter et améliorer la conception d'un célèbre réseau, AlexNet. La Specialization DeepLearning.AI TensorFlow : Advanced Techniques présente les fonctionnalités de TensorFlow qui offrent aux apprenants plus de contrôle sur l'architecture de leur modèle et des outils qui les aident à créer et à former des modèles ML avancés. Cette Specialization s'adresse aux ingénieurs logiciels et d'apprentissage automatique en début et milieu de carrière ayant une compréhension fondamentale de TensorFlow et qui cherchent à élargir leurs connaissances et leurs compétences en apprenant les fonctionnalités avancées de TensorFlow pour construire des modèles puissants.

Dans ce cours, vous allez :

a) Apprendre le transfert de style neuronal en utilisant l'apprentissage par transfert : extraire le contenu d'une image (ex. cygne), et le style d'une peinture (ex. cubiste ou impressionniste), et combiner le contenu et le style dans une nouvelle image. b) Construire des autoencodeurs simples sur l'ensemble de données MNIST familier, et des architectures profondes et convolutives plus complexes sur l'ensemble de données Fashion MNIST, comprendre la différence entre les résultats des modèles d'autoencodeurs DNN et CNN, identifier les moyens de débruiter les images bruyantes, et construire un autoencodeur CNN en utilisant TensorFlow pour produire une image propre à partir d'une image bruyante. c) Explorer les autoencodeurs variationnels (VAE) pour générer des données entièrement nouvelles, et générer des visages d'anime pour les comparer à des images de référence. d) Apprenez à connaître les GANs ; leur invention, leurs propriétés, leur architecture, et comment ils varient des VAEs, comprenez la fonction du générateur et du discriminateur au sein du modèle, le concept des 2 phases d'entraînement et le rôle du bruit introduit, et construisez votre propre GAN qui peut générer des visages. La Specialization DeepLearning.AI TensorFlow : Advanced Techniques présente les fonctionnalités de TensorFlow qui offrent aux apprenants un plus grand contrôle sur l'architecture de leur modèle, et leur donne les outils pour créer et entraîner des modèles ML avancés. Cette Specialization s'adresse aux ingénieurs logiciels et machine learning en début et milieu de carrière ayant une compréhension fondamentale de TensorFlow et qui cherchent à étendre leurs connaissances et leurs compétences en apprenant les fonctionnalités avancées de TensorFlow pour construire des modèles puissants.