Cấu trúc đề thi Tensorflow

Dành cho lớp học TF

Lưu ý quan trọng

1/ Hệ thống chấm bài:

• Mỗi đầu bài đều có ghi rõ input shape của grading system, để ý phần này để khớp với data/model

• Nếu submit sai dimension, hệ thống sẽ báo là sai Dimension (vd: inputEmbedding shape is 120, but expecting 100)

• Không được dùng lambda layer.

2/ Các đường dẫn quan trọng

• Hướng dẫn thi: https://www.tensorflow.org/extras/cert/TF_Certificate_Candidate_Handbook.pdf

• Đăng ký thi tại: https://app.trueability.com/google-certificates/tensorflow-developer

3/ Dàn bài thi

Bài 1. Linear Regression: 

Đề mẫu: https://protonx.io/courses/64241ad3a251d4001aac5d92/topics/6519164a6921ef001a0234f3?activeAId=6519164a6921ef001a023514

Lời giải mẫu

Chú ý: Không có tập validation nên train tầm 500 - 1000 epochs để đảm bảo đạt acc 

Bài 2. Phân loại: MNIST, Fashion MNIST, IRIS 

Đề mẫu: https://protonx.io/courses/64241ad3a251d4001aac5d92/topics/6519164a6921ef001a0234f3?activeAId=6519164a6921ef001a023516

Lời giải mẫu

• Hướng dẫn xây mô hình trên bộ MNIST: https://youtu.be/8WxENdR46qA

Chú ý

• Chú ý 1: 

  • Bài này chỉ cần sử dụng mạng Neural Network với vài lớp Dense, không dùng CNN (nếu dùng sẽ báo lỗi)

• Chú ý 2:

  • Đề có thể cho tf.dataset nên ôn kỹ phần load dataset (), nhớ chia ảnh đầu vào cho 255

  • Gần đây nhóm thấy không có nhiều học viên gặp tf dataset, tuy nhiên vẫn nên ôn kỹ.

• Một số hướng dẫn về tensorflow dataset

https://www.tensorflow.org/api_docs/python/tf/data/Dataset

https://www.tensorflow.org/datasets/keras_example

Bài 3. Phân loại ảnh thực tế:

Dataset: Chó - mèo, Ngựa - người, Dao - Búa - Kéo

Đề mẫu: https://protonx.io/courses/64241ad3a251d4001aac5d92/topics/6519164a6921ef001a0234f3?activeAId=6519164a6921ef001a023518

Lời giải mẫu:

• Chó mèo: https://youtu.be/kShvYHDXvvg

• Ngựa người: 

  • Video: https://youtu.be/ee9tF9xEf04

  • Notebook

• Dao búa kéo: https://www.tensorflow.org/datasets/catalog/rock_paper_scissors

• Hướng dẫn: https://colab.research.google.com/github/trekhleb/machine-learning-experiments/blob/master/experiments/rock_paper_scissors_cnn/rock_paper_scissors_cnn.ipynb#scrollTo=IUxjRhVpLt6M

Chú ý:

• Chú ý 1: 

  • Ưu tiên không sử dụng Transfer Learning sớm, sử dụng một mô hình CNN thông thường.

  • Nếu cần sử dụng Transfer learning - ưu tiên MobileNet

  • Video hướng dẫn sử dụng Transfer Learning: https://youtu.be/Y-4KLFt_c6Y

  • Notebook dùng Transfer learning: 

    • Notebook TF hub 

    • Notebook Inception Net

  • Bài sử dụng transfer learning có thể có kết quả khi submit là 2/5, 3/5, …. Vì vậy nên submit nhiều lần. Nếu đạt từ 4/5 trở lên thì có thể làm bài khác (áp dụng với tất cả các bài)

• Chú ý 2:

  • Phân loại nhị phân nhưng đề bài có thể yêu cầu lớp cuối cùng của model phải sử dụng hàm softmax(thay vì sigmoid), vì vậy cần chọn làm loss phù hợp với hàm softmax

  • Học kỹ hai hàm flow_from_directory + generator

• Chú ý 3:  

  • Cách resize ảnh, rescale input và transfer learning có thể tham khảo: https://www.tensorflow.org/tutorials/images/transfer_learning

  • Chi tiết thêm dataset tại đây.

• Chú ý 4: 

  • Có thể đề yêu cầu load data từ tf.dataset. Đề bài có thể yêu cầu resize ảnh về kích thước nào đó (ví dụ 224x224x3) và re-scale input về khoảng [-1, 1]. Thực hiện resize và rescale ảnh trong hàm map: https://www.tensorflow.org/api_docs/python/tf/data/Dataset#map

Bài 4. Phân loại mỉa mai - Detecting sarcasm (chưa đổi đề)

RNN, sentiment classification, chú ý sử dụng tokenizer + padding,

Bài phân loại cảm xúc câu,  (chưa đổi đề)

Bài này yêu cầu độ chính xác khoảng 84-87% là phù hợp.

Đề thi mẫu: https://protonx.io/courses/64241ad3a251d4001aac5d92/topics/6519164a6921ef001a0234f3?activeAId=6519164a6921ef001a02351a

Lời giải mẫu: 

• Tokenizer mỉa mai

• Xây dựng mô hình RNN

Một số video tham khảo thêm.

https://youtu.be/JIafLwlGzBA

https://youtu.be/daau1gVceOs

https://youtu.be/X6bYTZJkEDQ

5. Một bài Time-series: Sunspot trên coursera (chưa đổi đề)

Tham khảo bài Daily Temperature ở đây: https://youtu.be/zCxMLNzPa1M

Đề thi mẫu: https://protonx.io/courses/64241ad3a251d4001aac5d92/topics/6519164a6921ef001a0234f3?activeAId=6519164a6921ef001a02351c

Lời giải mẫu: 

• Lời giải mẫu 1

• Lời giải mẫu 2

Chú ý: 

• Không dùng Lambda layer

• Bài này yêu cầu MAE < 0.12. Nên phải dùng Min Max Scale

• Có một chút khó khăn khi bài 5 sẽ có dạng đầu vào có chiều thứ 3 và bắt chia data theo tỉ lệ ở giữa.

  • Chú ý này nằm trong slide Time Series phần cập nhật mới.

  • Đặt chiều của LSTM hay chiều của h nhỏ tương ứng với chiều thứ 3 (ví dụ đề cho 15 chúng ta có thể chọn 15 trước)

• Chú ý đôi khi đề yêu cầu scale về khoảng (-1, 1): https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html

Tài liệu chuẩn bị:

• https://www.youtube.com/watch?v=j5HxIJoOJms&list=PLMm4sOMuA2QI5x_0KlNT3LuKDi6-ByboB

• https://www.coursera.org/specializations/tensorflow-in-practice

• https://github.com/lmoroney/dlaicourse

https://www.tensorflow.org/extras/cert/Setting_Up_TF_Developer_Certificate_Exam.pdf