只要100刀——700块，TensorFlow官方开发者认证，就可以到手了。
而且AI大牛吴恩达也权威背书认可。
但前提是，得通过考试。
最近，谷歌TensorFlow官方设立了TensorFlow开发人员认证这个机制，有一定TensorFlow技能，交100美元通过考试后，你就可以有解锁认证TensorFlow开发者这一称号。
之后，你就可以把这个认证添加到自己的简历、GitHub、LinkedIn上，然后用来和业内人士们就TensorFlow开发相关事宜谈笑风生，也可以找工作用。
TensorFlow产品负责人kemal el moujahid说，推出这个认证主要是一些公司想搞机器学习却招不到人，一些人想学机器学习却不太知道怎么开始，所以就搞个官方认证来牵线搭桥。
当然，目前这个是入门认证，可以凭此去HR那里证明你能胜任一个入门级的用TensorFlow的AI工程师，HR们也可以靠这个认证来招人。
TensorFlow官方说，未来还会有更高级的版本，大概类似于现在这版是荣耀黄金，后面还会有尊贵铂金、永恒钻石、至尊星耀、最强王者王者、荣耀王者之类的段位。
所以如果你是个高玩的话，或许可以等等，到时候说不定能一口气直接上王者。
由于认证刚刚开始，现在只有3个人拿到了认证，都是印度人
其中一位也已经把认证挂到了自己的LinkedIn上。
目前，twitter上除了英文世界的人，日本人和韩国人都对这个官方认证产生了兴趣。
你还有机会去当第一个持有TensorFlow认证的中国人哦。
官方考试大纲，划重点
要拿到这个官方TensorFlow开发者认证，需要通过考试。
考试主要考查开发者对于将机器学习集成到工具和应用中的基础知识，比如你要会在TensorFlow里搞计算机视觉、卷积神经网络、自然语言处理、真实世界的图像数据和策略。
TensorFlow官网给划的重点是：
机器学习和深度学习的基本原则；
在TensorFlow中建立机器学习模型；
用深度神经网络和卷积神经网络建立图像识别、目标检测、文本识别算法；
用不同形状、不同大小的真实世界的图像，来可视化的展示计算机如何“看到”信息、处理损失、提升准确度；
探索防止过拟合的策略，比如数据增强，或者Dropouts；
用神经网络来解决NLP问题。
具体考试的时候，你要搞定5个模型，以下5大类各一个：
基础/简单模型学习数据集模型有真实世界图像数据集的卷积神经网络模型有真实世界文本数据集的NLP文本分类模型有真实世界数字数据集的序列模型
考试满分100分，考到90分才能通过。
考试流程
参与考试的流程一共6步：
1、阅读考生手册，最好学习/复习一下，才好通过考试；
2、注册考试，用Gmail登录，上传照片，提供付款信息；
3、准备考试，用PyCharm IDE安装TensorFlow考试插件；
4、参加考试，考试随时可以参加，限时5小时，可以提前交卷；
5、24小时之内，可以查看你是否通过了考试；
6、如果考过了，就可以把认证添加到自己的GitHub、LinkedIn等社区的资料里啦。
最后，挣考试费不易，报名须谨慎，如果第一次挂了，14天之后才能再考一次；如果第二次还是挂了，两个月之后才能考第三次；如果第三次还是挂了，一年之后才能考第四次。
认证有效期为36个月，过期需要重考。
不过，36个月之后，要是你还没能靠TensorFlow技能找到靠谱的工作的话，估计也没有重考的必要了……
莫得钱怎么办
最后，如果你觉得100美金有点贵，自己没什么钱还想考证怎么办？
谷歌官方联合吴恩达老师的DeepLearning.ai送了半价福利。
在今年9月4日前，你可以去DeepLearning.ai学TensorFlow In Practice课程，然后只掏50美金就好了。
按照现在的汇率，能省350块呢，可以买好多口罩了。
现在，谷歌、亚马逊、Uber、Twitter……美国一群科技公司都在家办公了，全球人民都在家里蹲，这个时候出点学习资源还是挺不错的。
就像一个月前我们在家里蹲的时候一样，你可以收藏一波学习资源了。
传送门
官方TensorFlow认证网站https://www.tensorflow.org/certificate
考生手册https://www.tensorflow.org/site-assets/downloads/marketing/cert/TF_Certificate_Candidate_Handbook.pdf
教育援助手册https://www.tensorflow.org/site-assets/downloads/marketing/cert/TF_Education_Stipend.pdf
来自DeepLearning.ai的官方推荐考前复习资料/半价学习资料https://www.coursera.org/specializations/tensorflow-in-practice
“
