Dans ce cours, vous allez : - Comparer les API fonctionnelles et séquentielles, découvrir les nouveaux modèles que vous pouvez construire avec l'API fonctionnelle et construire un modèle qui produit plusieurs sorties, y compris un réseau siamois ; - Construire des fonctions de perte personnalisées (y compris la fonction de perte contrastive utilisée dans un réseau siamois) afin de mesurer l'efficacité d'un modèle et d'aider votre réseau neuronal à apprendre à partir des données de formation ; - Construire des couches standard existantes pour créer des couches personnalisées pour vos modèles, personnaliser une couche de réseau avec une couche lambda, comprendre les différences entre elles et explorer les fonctions d'activation.

- Construire à partir de couches standard existantes pour créer des couches personnalisées pour vos modèles, personnaliser une couche de réseau avec une couche lambda, comprendre les différences entre elles, apprendre ce qui compose une couche personnalisée et explorer les fonctions d'activation. - Construisez à partir de modèles existants pour ajouter des fonctionnalités personnalisées, apprenez à définir votre propre classe personnalisée au lieu d'utiliser les API fonctionnelles ou séquentielles, construisez des modèles qui peuvent être hérités de la classe TensorFlow Model, et construisez un réseau résiduel (ResNet) en définissant une classe de modèle personnalisée. 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 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.