2020/03/13 12:21

TensorFlow官方开发者认证：考试费100美元，5小时完成5个模型

俗话说，「证多不压身」。作为一个现代人，不考证怎么证明自己学过？又怎么加入技能卡？作为业内数一数二的深度学习框架，TensorFlow 似乎也意识到了这一点。今天，TensorFlow 官宣，拥有 TF 技能的开发者也可以进行官方认证啦！认证考试持续 5 小时，费用 100 美元。

TensorFlow 表示，这项测试的目的是向每个人提供展示自己 ML 专业知识的机会。它是一个基础证书，面向学生、开发者、数据科学家等人群，帮助他们展示自己在用 TensorFlow 构建、训练模型的过程中所学到的实用机器学习技能。考试题由 TensorFlow 团队设计。

TensorFlow 的产品总监 Kemal EL Moujahid 在一则推文中解释了他们推出该认证的初衷，表示「许多想要上手 ML 项目的公司说他们找不到人才，想要入行 ML 的开发者说他们不知道怎么做。于是，我们推出了 TensorFlow 认证项目来解决这个问题。」

为了对接开发者和需求方，TensorFlow 不仅设置了认证考试，还搭建了一个认证网络。这个网络相当于一个人才库，通过认证考试的开发者会被纳入其中，其他人可以通过检索找到这些人才信息。此外，开发者还可以在简历、GitHub 以及社交媒体平台（如领英）上展示他们获得的证书。

通过考试之后，你将被纳入 TensorFlow 的认证网络。

对于想要参加认证考试的开发者，TensorFlow 提供了以下信息：

参加认证要满足什么条件？

此一级考试认证主要测试的是开发者将机器学习集成至工具或应用上的基本能力。认证程序要求理解如何使用计算机视觉、卷积神经网络、自然语言处理、现实世界中真实的数据集以及最优策略去建立 TensorFlow 模型。

为了充分应对考试，应试者应该了解下列知识点：

机器学习和深度学习的基本原理；
如何使用 TensorFlow 去建立机器学习模型；
如何使用深度神经网络以及卷积神经网络去开发图像识别、目标检测、文本识别等算法；
如何使用不同类型、大小的真实图像数据来可视化图像在卷积中的处理过程，以此来理解计算机是如何「看到」信息的；
探索防止过拟合的策略，包括数据增强及 Dropout 机制；
基于 TensorFLow 应用神经网络去解决自然语言处理的相关问题。

这项认证对我有什么好处？

学习新东西：这一考试可以提升你的机器学习能力，还能测试你使用 TensorFlow 的技能。
获得社区的承认：得到全球 TensorFlow 社区的认可。
展示你的技能：通过将证书展示在简历和社交平台上，你可以成为顶级科技企业入门级 TensorFlow 开发者职位的候选人。
寻找人才：通过认证网络，你可以找到那些拥有证书的人，在 ML 的工作中寻找你想要的人才。

考试重点有哪些？

考试时间总共有 5 小时，在下载并注册考试插件后开始计时。如果没能在 5 小时内完成考试，那到时间也会自动提交代码。

整场考试主要测试学生使用 TensorFlow 构建模型、解决问题的能力。在考试中，参与者需要完成 5 个模型，每一个都属于不同的类别。考试总分 100 分，过了 90 分就算合格，也就是说 5 个模型都要完成，且只能有一些小错误。

考试涉及的模型类别如下：

第一类：基础、简单模型
第二类：基于学习数据集的模型
第三类：采用真实图像数据训练卷积神经网络
第四类：采用真实文本数据训练 NLP 文本分类模型
第五类：采用真实数值数据训练序列模型

深度学习最基础的知识点其实并不多，全连接、卷积、循环神经网络就能解决大多数问题，剩下的是各种优化与提升模块。如果我们要在 5 小时内完成这 5 个模型，从头写估计时间会非常紧张，因此我们可以事先完成一部分。例如模型架构、损失函数和最优化器，再加上训练过程等等。

因为同类模型大多数差别都体现在数据预处理与分批过程，所以后面一大堆代码都可以事先准备。例如训练卷积神经网络，我们可以以 CIFAR-10 为例，搭建一个完整的图像识别模型，并把数据接口做得更易于迁移。等到拿到真实数据后，只需要改数据接口，再测试几组超参数就差不多了。

考试手册并没有说是 TF 1.X 还是 2.X，很多资深 TF Boy 还会使用 1.X 的静态计算图。不过估计考试会采用 2.X，毕竟连 Colab 都开始默认使用 2.X 了。

认证流程是怎样的？

整个 TensorFlow 认证考试是面向全球的，国内也可以直接参与，但一些受美国制裁的国家和地区不能「直接」参加考试。整个考试的流程可以分为以下 6 个步骤：学习课程、注册、预备环境、参与考试、收到证书、展示证书。

在考试过程中，游览器会被限制只能访问 TensorFlow 文档，且每次考试都需要缴纳 100 刀。中间的考试环境都是准备好的，TF 团队把各种配置都集成为 PyCharm IDE 的一个插件，考生只需要熟悉 PyCharm 并安装了 TensorFlow 就行了。

最后，为了防止某些氪金玩家靠量取胜，TF 规定第一次没通过考试需要等 14 天才能再次测试，连续两次没通过需要等两个月，而连续三次没通过需要等一年才能再次测试。

值得注意的是，每次考试的有效期只有三年，也就是说三年后需要重新参加考试。

当然，这个证书只是一个开始，TensorFlow 还计划为高级从业者提供更高级别的认证。

认证参考地址：https://www.tensorflow.org/certificate

入门TensorFlow吴恩达

相关数据

Dropout技术

神经网络训练中防止过拟合的一种技术

来源：ImageNet Classification with Deep Convolutional

超参数技术

在机器学习中，超参数是在学习过程开始之前设置其值的参数。相反，其他参数的值是通过训练得出的。不同的模型训练算法需要不同的超参数，一些简单的算法（如普通最小二乘回归）不需要。给定这些超参数，训练算法从数据中学习参数。相同种类的机器学习模型可能需要不同的超参数来适应不同的数据模式，并且必须对其进行调整以便模型能够最优地解决机器学习问题。在实际应用中一般需要对超参数进行优化，以找到一个超参数元组（tuple），由这些超参数元组形成一个最优化模型，该模型可以将在给定的独立数据上预定义的损失函数最小化。

来源：Wikipedia

卷积神经网络技术

卷积神经网路（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层（对应经典的神经网路）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路，卷积神经网路需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据，它可以被认为是以一定时间间隔采样的一维网格，又如图像数据，其可以被认为是二维像素网格。

来源：Goodfellow, I.; Bengio Y.; Courville A. (2016). Deep Learning. MIT Press.维基百科