考虑不确定性来源是建模过程的一个重要方面，尤其是对于医疗诊断等安全关键型应用而言。大多数标准深度学习模型都没有量化预测中的不确定性。本周，您将学习如何使用 TensorFlow Probability 中的概率层来开发深度学习模型，以提供数据和模型本身的不确定性度量。在本周的编程作业中，您将为 MNIST 和 MNIST-C 数据集开发一个贝叶斯 CNN。

归一化流是一类功能强大的生成模型，其目的是通过一系列偏射变换来转换简单的基本分布，从而对底层数据分布进行建模。本周，您将学习如何使用 TensorFlow 概率库中的偏射对象来实现这些变换，并从数据中学习复杂的变换分布。这些模型可用于对新一代数据进行采样，以及评估数据示例的可能性。在本周的编程作业中，您将为 LSUN 卧室数据集开发一个 RealNVP 归一化流量模型。

变异自动编码器是最流行的基于似然的生成式深度学习模型类型之一。在 VAE 算法中，两个网络被联合学习：一个编码器或推理网络，以及一个解码器或生成网络。本周，您将学习如何使用 TensorFlow 概率库实现 VAE。然后，您将使用训练有素的网络将数据示例编码到压缩潜空间，并根据先验分布和解码器生成新样本。在本周的编程作业中，您将为名人面孔图像数据集开发变异自动编码器。

在本课程中，您将学习如何使用 TensorFlow 概率库中的工具和概念（如分布对象、概率层、双投影器和 KL 发散优化）开发概率深度学习模型。毕业设计项目将这些概念与使用归一化流创建合成图像数据集的任务结合在一起，并在数据集上训练变异自动编码器。