Informações sobre o curso
45,124 visualizações recentes

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível intermediário

Basic understanding of Kotlin and/or Swift

Aprox. 10 horas para completar

Sugerido: 4 weeks of study, 4-5 hours/week...

Inglês

Legendas: Inglês

O que você vai aprender

  • Check

    Prepare models for battery-operated devices

  • Check

    Execute models on Android and iOS platforms

  • Check

    Deploy models on embedded systems like Raspberry Pi and microcontrollers

Habilidades que você terá

TensorFlow LiteMathematical OptimizationMachine LearningTensorflowObject Detection

100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.

Nível intermediário

Basic understanding of Kotlin and/or Swift

Aprox. 10 horas para completar

Sugerido: 4 weeks of study, 4-5 hours/week...

Inglês

Legendas: Inglês

Programa - O que você aprenderá com este curso

Semana
1
6 horas para concluir

Device-based models with TensorFlow Lite

14 vídeos (Total 40 mín.), 6 leituras, 2 testes
14 videos
A few words from Laurence55s
Features and components of mobile AI2min
Architecture and performance3min
Optimization Techniques2min
Saving, converting, and optimizing a model3min
Examples2min
Quantization3min
TF-Select1min
Paths in Optimization1min
Running the models1min
Transfer learning3min
Converting a model to TFLite1min
Transfer learning with TFLite5min
6 leituras
Prerequisites10min
Downloading the Coding Examples and Exercises10min
GPU delegates10min
Learn about supported ops and TF-Select10min
Week 1 Wrap up10min
Exercise Description10min
1 exercício prático
Week 1 Quiz
Semana
2
1 hora para concluir

Running a TF model in an Android App

15 vídeos (Total 36 mín.), 3 leituras, 1 teste
15 videos
Installation and resources2min
Architecture of a model1min
Initializing the Interpreter2min
Preparing the Input1min
Inference and results1min
Code walkthrough3min
Run the App2min
Classifying camera images55s
Initialize and prepare input3min
Demo of camera image classifier4min
Initialize model and prepare inputs1min
Inference and results3min
Demo of the object detection App1min
Code for the inference and results2min
3 leituras
Android fundamentals and installation10min
Week 2 Wrap up10min
Description10min
1 exercício prático
Week 2 Quiz
Semana
3
2 horas para concluir

Building the TensorFLow model on IOS

22 vídeos (Total 45 mín.), 8 leituras, 1 teste
22 videos
A few words from Laurence1min
What is Swift?45s
TerserflowLiteSwift1min
Cats vs Dogs App1min
Taking the initial steps3min
Scaling the image2min
More steps in the process3min
Looking at the App in Xcode5min
What have we done so far and how do we continue?41s
Using the App50s
App architecture1min
Model details1min
Initial steps4min
Final steps1min
Looking at the code for the image classification App4min
Object classification intro30s
TFL detect App53s
App architecture55s
Initial steps58s
Final steps3min
Looking at the code for the object detection model3min
8 leituras
Important links10min
Apple’s developer's site 10min
Apple's API10min
More details10min
Camera related functionalities10min
The Coco dataset10min
Week 3 Wrap up10min
Description10min
1 exercício prático
Week 3 Quiz
Semana
4
2 horas para concluir

TensorFlow Lite on devices

13 vídeos (Total 29 mín.), 7 leituras, 1 teste
13 videos
A few words from Laurence3min
Devices3min
Starting to work on a Raspberry Pi1min
How do we start?2min
Image classification1min
The 4 step process2min
Object detection1min
Back to the 4 step process4min
Raspberry Pi demo2min
Microcontrollers2min
Closing words by Laurence28s
A conversation with Andrew Ng1min
7 leituras
Edge TPU models10min
Options to choose from10min
Pre optimized mobileNet10min
Object detection model trained on the coco10min
Suggested links10min
Description10min
Wrap up10min
1 exercício prático
Week 4 Quiz
4.5
6 avaliações

Principais avaliações do Device-based Models with TensorFlow Lite

por MRJan 5th 2020

A great course to learn how to implement any Deep Learning models on edge devices.

Instrutores

Image of instructor, Laurence Moroney

Laurence Moroney

AI Advocate
Google Brain

Sobre deeplearning.ai

deeplearning.ai is Andrew Ng's new venture which amongst others, strives for providing comprehensive AI education beyond borders....

Sobre Programa de cursos integrados TensorFlow: Data and Deployment

Continue developing your skills in TensorFlow as you learn to navigate through a wide range of deployment scenarios and discover new ways to use data more effectively when training your model. In this four-course Specialization, you’ll learn how to get your machine learning models into the hands of real people on all kinds of devices. Start by understanding how to train and run machine learning models in browsers and in mobile applications. Learn how to leverage built-in datasets with just a few lines of code, use APIs to control how data splitting, and process all types of unstructured data. Apply your knowledge in various deployment scenarios and get introduced to TensorFlow Serving, TensorFlow, Hub, TensorBoard, and more. Industries all around the world are adopting AI. This Specialization from Laurence Moroney and Andrew Ng will help you develop and deploy machine learning models across any device or platform faster and more accurately than ever. This Specialization builds upon skills learned in the TensorFlow in Practice Specialization. We recommend learners complete that Specialization prior to enrolling in TensorFlow: Data and Deployment....
TensorFlow: Data and Deployment

Perguntas Frequentes – FAQ

  • Ao se inscrever para um Certificado, você terá acesso a todos os vídeos, testes e tarefas de programação (se aplicável). Tarefas avaliadas pelos colegas apenas podem ser enviadas e avaliadas após o início da sessão. Caso escolha explorar o curso sem adquiri-lo, talvez você não consiga acessar certas tarefas.

  • Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.