TensorFlow认证考试简介

今年的TensorFlow开发者大会，谷歌宣布了一个名为“TensorFlow Developer Certificate program”的项目/考试。（https://www.tensorflow.org/certificate）

笔者对这个考试最大的好奇是：考什么，如何考。

这两方面，考什么，类似于谷歌认为什么才能算是合格的TensorFlow开发者的标准。如何考，是作为一个完全远程的考试，怎么考，如何判定结果。

先给出官方的Handbook （https://www.tensorflow.org/site-assets/downloads/marketing/cert/TF_Certificate_Candidate_Handbook.pdf）

关于考什么，官方的Handbook说的相当详细了，在Handbook里面有一个最长的章节，即“Skills checklist”，这里面也就相对的列出了谷歌认为什么样的技能拥有了，算是符合一个合格的TensorFlow开发者，其中大部分其中的描述也适用于其他机器学习框架。

在checklist的第一部分，首先明确了这是针对TensorFlow 2.x的认证，2.x现在的逐渐发展是向着Keras，或者说pyTorch那样的模块化走的。

Use TensorFlow 2.x.
Build, compile and train machine learning (ML) models using TensorFlow.
Preprocess data to get it ready for use in a model.
Use models to predict results.
Build sequential models with multiple layers.
Build and train models for binary classification.
Build and train models for multi-class categorization.
Plot loss and accuracy of a trained model.
Identify strategies to prevent overfitting, including augmentation and dropout.
Use pretrained models (transfer learning).
Extract features from pre-trained models.
Ensure that inputs to a model are in the correct shape.
Ensure that you can match test data to the input shape of a neural network.
Ensure you can match output data of a neural network to specified input shape for test data.
Understand batch loading of data.
Use callbacks to trigger the end of training cycles.
Use datasets from different sources.
Use datasets in different formats, including json and csv.
Use datasets from tf.data.datasets.

其实机器学习考试是很难考核模型本身“效果”的优劣的，例如某个模型必须准确率到99.5%之类，毕竟有一定随机性的，所以其实重要的是，至少能把符合输入输出要求的模型搭建起来，也就是对于问题的基本建模能力。

第一部分上面这些条目也主要是如何搭建模型，尤其是如何使用TensorFlow 2.x自己的组件，如tf.data去搭建模型的输入输出。

Define Convolutional neural networks with Conv2D and pooling layers.
Build and train models to process real-world image datasets.
Understand how to use convolutions to improve your neural network.
Use real-world images in different shapes and sizes..
Use image augmentation to prevent overfitting.
Use ImageDataGenerator.
Understand how ImageDataGenerator labels images based on the directory structure.

Build natural language processing systems using TensorFlow.
Prepare text to use in TensorFlow models.
Build models that identify the category of a piece of text using binary categorization
Build models that identify the category of a piece of text using multi-class categorization
Use word embeddings in your TensorFlow model.
Use LSTMs in your model to classify text for either binary or multi-class categorization.
Add RNN and GRU layers to your model.
Use RNNS, LSTMs, GRUs and CNNs in models that work with text.
Train LSTMs on existing text to generate text (such as songs and poetry)

Train, tune and use time series, sequence and prediction models.
Prepare data for time series learning.
Understand Mean Average Error (MAE) and how it can be used to evaluate accuracy of sequence models.
Use RNNs and CNNs for time series, sequence and forecasting models.
Identify when to use trailing versus centred windows.
Use TensorFlow for forecasting.
Prepare features and labels.
Identify and compensate for sequence bias.
Adjust the learning rate dynamically in time series, sequence and prediction models.

上面提到的任务、方法涉及到：图像卷积、图像分类、图像增强、文本二分类、文本多分类、RNN的运用、文本生成、时间序列预测这些任务。

也就是说，要通过考试，应该对上面的任务有一定的理解，知道相关问题如何建模，知道如何用TensorFlow 2.x自有的方法处理或建模。

这也是一个很有意思一点，就是这次考试是用PyCharm安装一个考试的插件，连接远程的服务器进行考试，在连接成功那一刻开始，考试就会开始计时，在这个过程中可以任意提交模型/完成所有题目的答卷。

远程考试，事实上就是一种开卷考试了，考核的基本上是建模和基本解决问题的能力，而不是得到最优解的能力。所以就算通过了这个认证，其实也就是说你有用TensorFlow解决一些问题的基本能力，不过是否有很好的优化模型、创造模型、应对更现实多变的情况的建模能力，就不在这个考试范畴内。

引申一下，这种考试系统感觉上还是比较好的，可以一定程度用在远程面试、内部考核上，不一定非要PyCharm，可以考虑docker code-server就可以实现类似的功能，最后由一个统一的认真服务器测试输出的模型，甚至是程序源代码即可。（code-server：web版的vs code）

国内考试需要护照，和“能上网”的PyCharm
考试只考TensorFlow 2.x，或者你可以粗暴理解为只考Keras相关也没问题
提交只提交save的模型
考试不需要显卡或太好的电脑，如果这个考试里面出现了必须用2080显卡训练2个小时才能实现，那是不是太过分了，所以如果你在过程中遇到了这个问题，那大概率说明你实现错了
5个模型
具体如何判断是否通过未知，而且规则也可能改吧
考试的时候可以查阅资料的范围，参考官方说法：You may use whatever learning resources you would normally use during your ML development work.

0 人点赞