欢迎参加 "使用 TensorFlow 2 定制模型 "课程！在本课程中，您将加深对 TensorFlow 的了解并提高使用 TensorFlow 的技能，以便为任何应用开发完全定制的深度学习模型和工作流。您将使用 TensorFlow 中的低级 API 开发复杂的模型架构、完全定制的层和灵活的数据工作流。您还将扩展 TensorFlow API 的知识，将序列模型也包括在内。 您将在研究生助教的指导下，在实际动手编码教程中将学到的概念直接付诸实践。此外，还有一系列自动评分的编程作业供您巩固技能。 课程结束时，您将在 "顶点项目 "中将许多概念融会贯通，从零开始开发一个自定义神经翻译模型。 TensorFlow 是一个开源机器库，也是应用最广泛的深度学习框架之一。TensorFlow 2 的发布标志着产品开发的一步改变，其核心重点是使从初学者到高级水平的所有用户都能轻松使用。

本课程直接承接上一课程《TensorFlow 2 入门》。成功学习本课程所需的其他前提知识包括：熟练掌握 python 编程语言（本课程使用 python 3）、一般机器学习概念知识（如过拟合/欠拟合、监督学习任务、验证、正则化和模型选择），以及深度学习领域的工作知识，包括典型模型架构（MLP、CNN、RNN、ResNet）和迁移学习、数据增强和词嵌入等概念。

欢迎学习本课程：使用 TensorFlow 进行概率深度学习！本课程以本专业前两门课程中教授的 TensorFlow 基础概念和技能为基础，重点介绍深度学习的概率方法。这是深度学习中一个日益重要的领域，旨在量化现实世界数据集中经常出现的噪音和不确定性。在自动驾驶汽车或医疗诊断等应用中使用深度学习模型时，这是一个至关重要的方面；我们需要模型知道它不知道的东西。 您将学习如何使用 TensorFlow 开发概率模型，特别是使用 TensorFlow 概率库，该库旨在轻松地将概率模型与深度学习相结合。因此，本课程也可以看作是 TensorFlow 概率库的入门课程。 您将学习如何在 TensorFlow 中表示概率分布并将其纳入深度学习模型，包括贝叶斯神经网络、归一化流和变异自动编码器。您将学习如何开发用于不确定性量化的模型，以及可以创建与数据集中的样本（如名人面孔图像）类似的新样本的生成模型。 您将在研究生助教的指导下，在实际动手编码教程中直接将所学概念付诸实践。此外，还有一系列自动评分的编程作业供您巩固技能。 课程结束时，您将在 "毕业设计 "项目中综合运用所学概念，开发变异自动编码器算法，为自己创建的合成图像数据集生成模型。

本课程是继本专业前两门课程《TensorFlow 2 入门》和《使用 TensorFlow 2 定制您的模型》之后的又一课程。特别是，假定您熟悉标准概率分布、概率密度函数以及最大似然估计、随机变量的变量变化公式和变异推理中使用的证据下界（ELBO）等概念。