NVIDIA
深度学习学院

为您提供培训解决世界上极具挑战的问题

 针对AI 和加速计算提供开发者认证

NVIDIA 深度学习学院 (DLI) 针对AI 和加速计算提供实践操作培训,旨在解决现实问题。DLI 为开发人员、数据科学家和研究人员度身打造课程,您可通过以下三种方式学习:

在线
主题课程

每个主题课程含八小时课时,学习如何实施和部署端到端的项目。您可以随时随地使用云端完全配置的 GPU 加速工作站开始在线学习。

在线
选修课程

每个选修课程含两小时课时,探索如何应用特定技术或开发技术。您可以随时随地使用云端完全配置的 GPU 加速工作站开始在线学习。

讲师指导的
培训班

面对面培训班为八小时主题课程,学习如何实施和部署端到端的项目。由 DLI 认证讲师授课,并使用云端完全配置的 GPU 加速工作站实践操作。您可以申请在自己的组织机构内、大学校园和大型相关会议上举办培训。

认证证书

培训证书

参与者可以获得培训证书,证明在相关领域的技能,为职业发展提供证明。您可以在部分在线课程和讲师指导的培训班获得培训证书。

在线培训

随时随地使用云端完全配置的 GPU 加速工作站开始学习

深度学习通用基础课程

如果您刚开始接触深度学习,建议先学习如何训练和部署神经网络来解决现实问题

主题课程
  • 深度学习基础 —— 计算机视觉 

    预备知识:

    框架:Caffe(DIGITS界面)

    应用领域: 所有行业

    价格:90 美元

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    通过训练神经网络和利用训练成果提升性能和能力,探索深度学习的基础原理。

    在本课程中,您将亲手训练和部署神经网络,从而了解深度学习的基础知识。您将学习如何:

    • 实践常规的深度学习工作流程,例如图像分类和目标检测
    • 使用数据、训练参数、网络结构和其他策略进行试验,以便提升性能和能力
    • 部署您的神经网络来解决实际问题

    完成本课程后,您将能够利用深度学习来解决现实中的问题。

选修课程
  • 使用 DIGITS 实现图像分类

    预备知识:

    框架:Caffe(DIGITS 界面)

    价格:免费

    语言:中文

    深度学习提供全新的解决方案,用从示例中学习到的模型来替换手写代码指令。本课程将通过以下方式训练深度神经网络以识别手写数字:

    • 将图像数据加载到训练环境
    • 选择和训练网络
    • 用新数据进行测试并迭代以提高性能

    完成本课程后,您将能够评估应该使用哪些数据进行训练。

  • 使用 DIGITS 实现目标检测

    预备知识:神经网络基础知识经验

    框架:Caffe(DIGITS 界面)

    价格:免费

    语言:中文

    通过检测航空图像中鲸鱼的面部,来学习如何应用深度学习进行目标检测,具体方法是:

    • 将传统的计算机视觉与深度学习相结合
    • 基于深度学习框架 Caffe 对现有神经网络结构进行修改
    • 通过使用专门构建的网络和端到端标记的数据来掌握深度学习相关知识

    完成本课程后,您将能够用深度学习来解决实际应用中的问题。

  • 使用 DIGITS 和 TensorRT 部署神经网络

    预备知识:神经网络基础知识经验

    框架:Caffe(DIGITS界面)、TensorRT

    价格:30 美元

    语言:中文

    深度学习通过深度神经网络完成输入数据到输出数据的映射,但是这个过程需要大量的计算力。学习如何将深度学习部署到应用,来实时识别图像并检测行人,您将进行以下实践:

    • 读取训练好的模型文件并了解其内在内容
    • 基于网络每一层唯一的输入和输出开始搭建模型
    • 根据不同的性能指标优化应用程序中最大计算量的部分,常用性能指标包括吞吐量和延迟

    完成本课程后,您将能够使用深度学习来解决现实世界中的问题。

  • 深度学习工作流程与 TensorFlow、MXNet 和 NVIDIA Docker

    预备知识:Bash 终端基础知识经验

    框架:TensorFlow、MXNet

    价格:30 美元

    学习如何使用 NVIDIA Docker 插件通过 GPU 容器化产品级深度学习工作流程。

  • 使用 TensorFlow 实现图像分割

    预备知识:神经网络基础知识经验

    框架:TensorFlow

    价格:30 美元

    图像(或语义)分割是将图像的每个像素放置到特定类中的任务。学习如何用核磁共振成像来测量心脏的部分:

    • 将图像分割与其他计算机视觉问题进行比较
    • 练习使用 TensorFlow 工具,比如 TensorBoard 和 TensorFlow Python API
    • 学习评估模型性能的有效指标

    完成本课程后,您将能够使用深度学习来建立大多数计算机视觉工作流程。

  • 使用 Microsoft Cognitive Toolkit 实现图像分类

    预备知识:

    框架: Microsoft Cognitive Toolkit

    价格:30 美元

    学习使用 Microsoft Cognitive Toolkit 框架训练神经网络。

  • 使用 TensorFlow 实现线性分类

    预备知识:

    框架:TensorFlow

    价格:30 美元

    学习使用TensorFlow的TFLearn API对结构化数据进行预测。通过对给定的人口普查数据预测个人收入,您将学习:

    • 从CSV中加载、查看和管理数据,用于机器学习
    • 将现有数据集分成神经网络的特征和标签(输入、输出)
    • 从线性模型构建到深度模型,评估性能差异

    完成本课程后,您将能够根据自己的结构化数据进行预测。

  • 使用 DIGITS 实现信号处理

    预备知识:神经网络基础知识经验

    框架:Caffe(DIGITS界面)

    价格:30 美元

    语言:中文

    深度神经网络比人类更擅长图像分类,这一事实超出了我们对计算机视觉的通常认知。在此实验中,您将把射频 (RF) 信号转换为图像,以检测被噪音破坏的弱信号。您将学习如何:

    • 如何像处理图像数据一样处理非图像数据
    • 如何在 DIGITS 中实践深度学习工作流程(加载、训练、测试、调整)
    • 用编程方式测试性能并指导性能改进

    完成本课程后,您将能够使用深度学习对图像和类图像数据进行分类。

深度学习行业应用课程

对深度学习具备基本认知后,您将能以所学的知识应用在更高阶且更贴近行业特定应用的 DLI 培训,从而解决现实的      问题

游戏开发和数字内容
 

选修课程
  • 结合 TensorFlow 和 DIGITS 利用 GAN 生成图像

    预备知识:CNN 基础知识经验

    框架:TensorFlow

    应用领域: 媒体和娱乐

    价格:30 美元

    语言:中文

    将体验如何在DIGITS的平台下,训练一个生成对抗网络(GAN)来生成一个新的图像内容。您将学到:

    • 利用生成对抗网络 (GAN) 生成手写体数字
    • 可视化特征空间并使用图像的属性向量,生成不同类别的图像内容
    • 训练生成式对抗网络 (GAN) 根据设定的属性来生成图像

    完成本课程后,您将能够使用 GAN 通过改变特征空间来生成图像。

  • 使用 Torch 实现图像风格迁移

    预备知识:CNN 基础知识经验

    框架:Torch

    应用领域: 媒体和娱乐

    价格:30 美元

    学习通过提取视觉特征,将一张图片的风格转移到另一张图片上。了解卷积神经网络如何提取特征,以及如何利用这些特征生成一个新的图片。您将学到:

    • 提取图像视觉特征,并将这些特征迁移到另一张图片
    • 通过多种手段验证特征是否迁移成功
    • 利用这种新的架构和训练技术,进行任意的图像特征迁移

    完成本课程后,您将能够使用神经网络进行任意的特征迁移。这种快速的迁移技术,甚至可以应用到视频中。

  • 使用自编码器实现渲染图像去噪

    预备知识:CNN 基础知识经验

    框架:TensorFlow

    应用领域: 媒体和娱乐

    价格:30 美元

    学习如何利用带有自编码器的神经网络,来显著提升光线追踪图像的降噪速度。在这堂课中,将学到:

    • 渲染的图像中是否存在噪点
    • 使用预训练的神经网络或者您自己的网络在图像中去噪
    • 使用提供的数据来训练自己的降噪器

    完成本课程后,您将能够使用神经网络中的自编码器来训练您自己的图像渲染的降噪器。

  • 基于自编码器实现图像超分辨率

    预备知识:CNN 相关经验

    框架:Keras

    应用领域:  媒体和娱乐

    价格:30美元

    语言:中文

    运用带有自编码器的神经网络,将低画质源图像生成高画质图像。在本次课程中,您将:

    • 学习并设计自编码器
    • 学习精确测量画质的各类方法

    完成实验后,您将能够使用自编码器以大幅提升画质。

医疗医学
 

选修课程
  • 在 Keras 中通过时间递归神经网络(RNN)为时间序列数据建模

    预备知识:深度学习基础知识

    框架:Keras

    应用领域: 医疗、金融、自然语言处理等多领域

    价格:免费

    时间递归神经网络 (RNN) 允许模型基于时间序列数据做分类或预测任务,如自然语言处理、市场数据分析等等。在这个实验室里会利用 RNN 来分析病人的长期健康状况,通过这个实验,您可以学会:

    • 基于 HDF5(分层数据格式第 5 版)的电子健康档案数据来创建训练和测试数据集
    • 预处理数据集用于作为 RNN 输入,RNN 可以处理极其复杂的序列数据
    • 构建一个特殊的RNN架构——长短时记忆模型 (LSTM),并利用基于 Theano 的 Keras 库来评估模型性能

    完成本课程后,您可以使用RNN来构建基于时间序列数据的模型。

  • 使用 MedNIST 数据集进行医学图像分类

    预备知识:

    框架: Caffe(DIGITS界面)

    应用领域: 医疗

    价格:30 美元

    语言:中文

    了解深度学习在放射学和医学成像领域的应用介绍。 您将学习如何:

    • 收集、格式化和标准化医学图像数据
    • 在数据集上构建并训练卷积神经网络(CNN)
    • 使用已经训练完的模型对新的医学图像进行分类

    完成本课程后,您将能够应用 CNN 在医学影像数据集中实现图像分类。

  • 使用 DIGITS 实现医学影像分割

    预备知识: CNN 和 Python 基础知识

    框架: Caffe (DIGITS界面)

    应用领域: 医疗

    价格:30 美元

    图像(或语义)分割是将图像的每个像素放置到特定类中的任务。您将用核磁共振成像来测量心脏的部分:

    • 使用自定义 Python 层扩展 Caffe
    • 实施迁移学习流程
    • 根据热门的图像分类网络创建全卷积神经网络

    完成本课程后,您将能够使用深度学习来建立大多数计算机视觉工作流程。

  • 使用 TensorFlow 实现图像分类:放射组学 - 1p19q 染色体状态分类

    预备知识: CNN 和 Python 基础知识经验

    框架:TensorFlow

    应用领域: 医疗

    价格:30 美元

    在梅奥医院应用这项技术后,我们发现使用深度学习技术从 MRI 影像中检测放射组的方法已经为脑瘤患者提供了更有效的治疗,并改善了他们的健康状况。通过以下方法学习检测 1p19q 联合缺失生物标记:

    • 设计和训练卷积神经网络 (CNN)
    • 使用影像组学 (Radiomics) 创建生物标记,无需使用侵入性活检,即可找出疾病基因组
    • 探索梅奥医院开展的放射基因组学研究工作

    完成本课程后,您将能够以独特视角去看待使用深度学习预测影像组所带来的全新卓越成效。

  • 使用 R 和 MXNet 实现医学影像分析

    预备知识: CNN 和 Python 基础知识经验

    框架: MXNet

    应用领域: 医疗

    价格:30 美元

    卷积神经网络 (CNN) 可用于医学影像分析,以根据非视觉图像推断患者的病情。学习如何训练 CNN 根据 MRI 时间序列数据推理人类心脏左心室的容积。您将学习:

    • 扩展标准的 2D CNN 以应用于更复杂的数据中
    • 通过标准的 Python API 和 R 使用 MXNet
    • 处理可能为立体且拥有时间动态变化的高维度图像

    完成本课程后,您将了解如何使用 CNN 处理非视觉图像。

  • 使用 GAN 对医学影像进行数据增强与分割

    预备知识: CNN 相关经验

    框架: TensorFlow

    应用领域: 医疗

    价格:30 美元

    生成式对抗网络 (GAN) 是一对深度神经网络,包括一个可基于所给数据创建新示例的生成器和一个试图区分真实数据与模拟数据的判别器。由于这两种网络互相促进,因而创建的示例会越来越真实。这项技术在医疗保健领域具有十分广阔的应用前景,因为它可以扩大较小的数据集,以便训练传统网络。您将学习如何:

    • 生成合成的人脑 MRI 影像
    • 运用 GAN 进行图像分割
    • 使用 GAN 进行数据增强以提高准确性

    完成本课程后,您将能够在医学成像用例中应用 GAN。

  • 将由粗到细的上下文记忆应用于医学影像

    预备知识: CNN 和 相关经验

    框架: TensorFlow

    应用领域: 医疗

    价格:30 美元

    由粗到细的上下文记忆 (CFCM) 是一项专为图像分割开发的技术,该技术采用极深的网络架构,并能通过卷积长短期记忆 (LSTM) 机制集成多种不同尺度的特征。您将能够:

    • 深入了解用于医学影像分割的编码器 - 解码器架构
    • 了解常见的构建组件(卷积、池化层和残差网络等)
    • 研究用于跳转连接的不同策略

    完成本课程后,您将能够在医学影像分割和类似的成像任务中应用 CFCM 技术。

  • 使用 DragoNN 、 Keras 和 Theano 应用深度学习于基因组学

    预备知识: CNN 和 Python 基础知识经验

    框架: Keras, Theano

    应用领域: 医疗

    价格:30 美元

    了解如何解释深度学习模型,探索预测基因组序列类型。使用 DragoNN 工具包处理模拟和真实的调控基因组数据来进行:

    • 阐明普及的 DragoNN(深度调控基因组学神经网络)架构
    • 探索使用 DragoNN 模型对调控序列进行建模和解释的专用指南
    • 确定 DragoNN 在何种情况下适于解决基因组学和高性能模型中的学习问题

    完成本课程后,您将能够使用探索到的预测基因组序列类型,来获得生物学新见解。

智能视频分析
 

选修课程
  • 使用 TensorRT 实现智能视频分析部署

    预备知识:CNN和 C++ 基础知识经验

    框架:TensorRT

    价格:30 美元

    语言:中文

    部署训练好的神经网络模型,从而对新的输入进行推理,是一个重要的过程,TensorRT是提高网络推理性能的重要工具。在此课程中,您将:

    • 了解如何使用giexec来运行推理
    • 使用INT8精度的数据类型来优化推理
    • 利用Plugins的方法自定义网络层

    完成本课程后,您将学会如何利用TensorRT来加速神经网络的推理性能。

加速计算通用基础课程

如果您刚开始接触加速计算,建议先学习如何使用 CUDA 和 OpenACC 加速应用程序

主题课程
  • 加速计算基础——CUDA C/C++ 

    预备知识:C/C++ 基础知识经验

    应用领域:所有行业

    价格:90 美元

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    CUDA 计算平台能够加速仅适用于 CPU 的应用程序,以在世界上最快的大规模并行 GPU 上运行。通过以下方式体验 C/C++ 应用加速:

    • 加速仅适用于 CPU 的应用程序在 GPU 上运行其潜在并行性
    • 利用基本的 CUDA 内存管理技术优化加速应用程序
    • 揭示加速应用程序的并发潜力,并利用 CUDA 流进行开发
    • 利用命令行和可视化分析来指导和检查

    完成本课程后,您将能够使用最基本的 CUDA 工具和技术,加速和优化仅适用于 CPU 的 C/C++ 应用程序。您将了解 CUDA 开发的迭代风格,这将允许您快速发布加速应用程序。

  • 加速计算基础——CUDA Python

    预备知识:Python 和 NumPy 基础知识经验

    应用领域:所有行业

    价格:90 美元

    本动手实验课程探讨如何使用 Numba(即时,专用类型的 Python 函数编译器)在 NVIDIA 大规模并行运算的 GPU 上加速 Python 应用程序。您将学习如何:

    • 使用 Numba 从 NumPy ufuncs 编译 CUDA 内核
    • 使用 Numba 创建和启动自定义 CUDA 内核
    • 应用关键的 GPU 显存管理技术

    完成本课程后,您将能够使用 Numba 编译并启动 CUDA 内核,以加速 NVIDIA GPU 上的 Python 应用程序。

  • 加速计算基础 —— OpenACC

    预备知识: C/C++ 基础知识经验

    应用领域:所有行业

    价格:90 美元

    课程时长: 8小时

    学习高级 GPU 编程语言 OpenACC 的基础知识。本课程适合具有部分 C/C++ 经验,且对加速应用程序性能以超越纯 CPU 编程极限感兴趣的任何人士。在本课程中,您将学习:

    • 使用 OpenACC 加速现有应用程序的简单四步骤
    • 如何配置和优化您的 OpenACC 代码库
    • 如何将 OpenACC 与 MPI 相结合,以在多 GPU 系统上编程

    完成本课程后,您将能够同时使用 OpenACC、CUDA-aware MPI 和 NVIDIA 配置工具,构建和优化多 GPU 集群上的加速异构应用程序。

选修课程
  • 使用 CUDA C/C++ 加速应用程序

    预备知识:C/C++ 基础知识经验

    价格:免费

    语言:中文

    CUDA计算平台,能够让很多CPU程序并行化运行在GPU上,从而实现超乎想象的加速效果。本课程中,您将从以下几方面学习如何加速C/C++应用程序:

    • 学习如何并行化CPU程序,重构并使之运行在GPU上
    • 学习如何调度存储空间来加速程序
    • 学些CUDA的线程层次,进一步提高程序的加速效果

    完成本课程后,您将能够利用CUDA优化自己的C/C++程序,并获得巨大的性能提升。

  • OpenACC – 4 个步骤实现 2 倍增速

    预备知识:C/C++ 基础知识

    价格:免费

    了解如何使用 OpenACC 结合 NVIDIA GPU 的大规模并行计算能力,加速您的 C/C++ 或 Fortran 应用程序。OpenACC 是一种基于指令的计算方法,您只需要在代码中插入编译提示就可以加速您的程序,而不用自己编写加速代码。开始使用 OpenACC 加速应用程序的四步流程:

    • 描述并分析您的程序
    • 添加计算指令
    • 添加优化数据访存指令
    • 通过内核调度优化您的程序

    完成本课程后,您就可以使用 profile-driven 方法,快速地利用 OpenACC 指令加速您的 C/C++ 程序。

  • 加速计算介绍

    预备知识:C/C++ 基础知识经验

    价格:30 美元

    学习加速应用程序的各种技术,包括 CUDA 和 OpenACC。

  • 使用 CUDA C/C++ 优化 GPU 显存

    预备知识:CUDA C/C++ 基础知识经验或类似经验

    价格:30 美元

    学习在 NVIDIA GPU 上使用 CUDA C/C++ 进行编程的显存优化技术,以及如何使用 NVIDIA Visual Profiler (NVVP) 来支持这些优化。

  • 使用 CUDA C/C++ 中的 GPU 加速库加速应用程序

    预备知识:”使用 CUDA C/C++ 加速应用程序” 或类似经验

    价格:30 美元

    学习如何使用 CUDA 优化库加速您的 C/C++ 应用程序,从而实现对 NVIDIA GPU 大规模并行能力的利用。

  • 使用 Python 中的 GPU 加速库加速应用程序

    预备知识:Python 基础知识经验

    价格:30 美元

    了解如何使用 CUDA 优化库加速您的 Python 应用程序,从而实现对 NVIDIA GPU 大规模并行能力的利用。

  • 使用 Thrust 加速 C++

    预备知识:”使用 CUDA C/C++ 加速应用程序” 或类似经验

    价格:30 美元

    了解如何使用功能强大的 Thrust 库在 C/C++ 中构建 GPU 加速应用程序。

  • 使用 OpenACC 分析和并行化程序

    预备知识: ”OpenACC - 4 个步骤实现 2 倍增速” 或类似经验

    价格:30 美元

    关于 OpenACC 编程周期中的前两步的实践练习。

  • OpenACC 中的数据通信和循环优化

    预备知识:”使用 OpenACC 分析和并行化程序” 或类似经验

    价格:30 美元

    学习如何添加数据管理和循环指令以优化 OpenACC 加速的代码。

  • 入门级:使用 MPI 和 OpenACC 的多 GPU 编程

    预备知识:”OpenACC - 4 个步骤实现 2 倍增速” 或类似经验

    价格:30 美元

    使用 MPI 和 OpenACC,对多 GPU 系统或 GPU 集群编程。

  • 进阶级:使用 MPI 和 OpenACC 的多 GPU 编程

    预备知识:”入门级:使用 MPI 和 OpenACC 的多 GPU 编程” 或类似经验

    价格:30 美元

    学习如何利用重叠通信的计算和处理非连续晕环的更新,来提升多 GPU MPI 和OpenACC 程序。

  • 基于 OpenACC 和 GPU 使用流水线工具

    预备知识:“OpenACC 中的数据通信和循环优化”课程或类似经验

    价格:30 美元

    学习如何使用称为流水线的简单技术来优化 OpenACC 应用程序中的数据拷贝与 GPU 的重叠计算。

  • 使用 OpenACC 加速地震应用的配置驱动型方法

    预备知识:

    价格:30 美元

    学习如何使用 PGPROF(一种主机和 GPU 分析工具)和 OpenACC 来加速 C/C++ 应用程序。

  • 使用 CUDA Fortran 加速应用程序

    预备知识:Fortran 基础知识经验

    价格:30 美元

    了解如何使用 CUDA 加速您的 Fortran 应用程序,从而实现对 NVIDIA GPU 大规模并行能力的利用。

  • 使用 CUDA Fortran 优化 GPU 显存

    预备知识:“使用 CUDA Fortran 加速应用”课程或类似经验

    价格:30 美元

    探索在 NVIDIA GPU 上使用 CUDA Fortran 进行编程的显存优化技术,以及如何使用 NVIDIA Visual Profiler (NVVP) 来支持这些优化。

  • 使用 Fortran 中的 GPU 加速库加速应用程序

    预备知识:Fortran 基础知识经验

    价格:30 美元

    学习如何使用 CUDA 优化库加速 Fortran 应用程序。

医疗医学
 

选修课程

讲师指导的培训班

寻找您附近的培训班或为您的组织机构申请举办培训

参加即将举办的培训班

为您的组织机构开设培训班

您可以从下列通用基础或行业应用课程中选择,来申请在您的组织机构所在地举办讲师指导的培训班。

如果您正在寻求更全方位的企业培训,我们将可以与您合作打造一套课程和讲座,以满足您的组织的专属需求。包含在线实践操作课程、现场培训、高管简报和企业级报告,DLI 将助力您的企业实现向 AI 的转型。联系我们了解更多信息。

深度学习通用基础课程

  • 深度学习基础 —— 计算机视觉 

    预备知识:

    框架:Caffe(DIGITS界面)

    应用领域:所有行业

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    通过训练神经网络和利用训练成果提升性能和能力,探索深度学习的基础原理。

    在本课程中,您将亲手训练和部署神经网络,从而了解深度学习的基础知识。您将学习如何:

    • 实践常规的深度学习工作流程,例如图像分类和目标检测
    • 使用数据、训练参数、网络结构和其他策略进行试验,以便提升性能和能力
    • 部署您的神经网络来解决实际问题

    完成本课程后,您将能够利用深度学习来解决现实中的问题。

  • 深度学习基础 —— 多数据类型 

    预备知识:深度学习基础知识经验

    框架:TensorFlow

    应用领域:所有行业

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    本课程探讨如何结合卷积和时间递归神经网络,在图像和视频片段中生成有效的内容描述。

    学习如何使用 TensorFlow 和 MSCOCO 数据集训练网络,通过以下方法从图像和视频中生成字幕:

    • 实施深度学习工作流程,例如图像分割和文本生成
    • 比较与对比数据类型、工作流程和框架
    • 将计算机视觉和自然语言处理结合运用

    完成本课程后,您将能够解决需要多种数据输入类型的深度学习问题。

  • 深度学习基础 —— 自然语言处理

    预备知识: 神经网络基础知识和经验

    框架:TensorFlow、Keras

    应用领域:所有行业

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    学习用自然语言处理(NLP)来理解文本输入的最新的深度学习技术。您将学习如何:

    • 将文本转换成机器可理解的表示和分类方法
    • 实践分布式表示(embedding)并理解其属性
    • 训练机器将一种语言翻译成另一种语言

    完成本课程后,您将能够熟练使用类似的应用程序进行自然语言处理。

  • 深度学习基础 —— 用多 GPU 训练神经网络

    预备知识: 具备随机梯度下降力学经验

    框架:TensorFlow

    应用领域:所有行业

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    在驱动自动驾驶汽车等 AI 应用方面,人们对于深度神经网络存在着巨大的计算需求。使用单个 GPU 进行的一个训练周期需耗费数周时间,而对于自动驾驶汽车研究等领域所用的更大数据集,该周期甚至长达数年。使用多个 GPU 进行深度学习能够显著缩短训练大量数据所需的时间,从而为深度学习中的复杂问题提供了可行的解决方案。

    本课程将教您如何使用多个 GPU 来训练神经网络。您将了解到:

    • 针对多 GPU 的训练方法
    • 进行大规模训练面临的算法和工程挑战
    • 克服上述挑战所用的关键技术

    完成本课程后,您将能够使用 TensorFlow 十分有效地并行训练深度神经网络。

加速计算通用基础课程

  • 加速计算基础——CUDA C/C++ 

    预备知识:C/C++ 基础知识经验

    应用领域:所有行业

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    CUDA 计算平台能够加速仅适用于 CPU 的应用程序,以在世界上最快的大规模并行 GPU 上运行。通过以下方式体验 C/C++ 应用加速:

    • 加速仅适用于 CPU 的应用程序在 GPU 上运行其潜在并行性
    • 利用基本的 CUDA 内存管理技术优化加速应用程序
    • 揭示加速应用程序的并发潜力,并利用 CUDA 流进行开发
    • 利用命令行和可视化分析来指导和检查

    完成本课程后,您将能够使用最基本的 CUDA 工具和技术,加速和优化仅适用于 CPU 的 C/C++ 应用程序。您将了解 CUDA 开发的迭代风格,这将允许您快速发布加速应用程序。

深度学习行业应用课程

  • 深度学习 —— 自动驾驶感知 

    预备知识:CNN 相关经验

    框架:TensorFlow、DIGITS、TensorRT

    应用领域:汽车

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    在本课程中,您将学习使用 NVIDIA DRIVE PX 开发平台,设计、训练和部署用于自动驾驶的深度神经网络。将学习如何:

    • 使用 DriveWorks 软件堆栈集成传感器的输入
    • 训练语义分割神经网络
    • 使用 TensorRT 优化、验证和部署经过训练的神经网络

    完成本课程后,您将能够使用 DRIVE PX2 创建和优化自动驾驶的感知组件。

  • 深度学习 —— 金融交易策略

    预备知识:神经网络和金融行业相关的知识经验

    框架:TensorFlow

    应用领域:金融

    主成分分析 (PCA) 等线性技术是制定用于统计套利策略中的“特征组合”的主要方法。使用时间序列金融数据的其他技巧也较为常见。但现在,您可以使用功能强大的深度神经网络提升交易策略。您将学习:

    • 使用训练和测试数据集,准备时间序列数据并测试网络性能
    • 构建和训练 LSTM 网络以接受向量输入并做出预测
    • 使用自动编码器作为异常探测器以制定套利策略

    完成本课程后,您将能够使用时间序列金融数据做出预测,并借助神经网络把握套利机会。

  • 深度学习 —— 使用自编码器创建数字内容

    预备知识: 熟悉深度学习基本概念(如CNN)且有 Python 编程经验

    框架:Torch、TensorFlow

    应用领域:数字内容生成或游戏开发

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    探索用于数字内容创作的神经网络的设计、训练和部署的最新技术。您将学习:

    • 使用新的架构和技术来完成任意视频风格的转换
    • 训练降噪器来渲染图像
    • 以超分辨率技术来提高图像质量

    完成本课程后,您就可以开始使用深度学习方法来创建数字资产。

  • 深度学习 —— 游戏开发

    预备知识:熟悉深度学习基本概念(如CNN)且有 Python 编程经验

    框架:Tensorflow、 Theano

    应用领域:游戏开发或数字内容生成

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    语言:中文

    通过本课程,您将了解多种将深度学习技术与游戏开发相融合的方法,并且可以:

    • 训练一个相位神经网络,对角色进行动作演算
    • 将一个域的输入图像转换成另一个域的输出图像
    • 训练一个深度强化学习代理来玩星际争霸 2
  • 深度学习 —— 医学影像分析

    预备知识: CNN 和 Python 基础知识经验

    框架:Caffe、DIGITS、MXNet、TensorFlow

    应用领域:医学医疗

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    本动手实验课程将探讨如何在 MRI 扫描影像中应用卷积神经网络 (CNN) 执行各种医学任务和计算。您将学习如何:

    • 在 MRI 影像上执行影像分割以定位左心室
    • 使用应用于 MRI 扫描的 CNN 测量心脏舒张和收缩之间的压差来计算射血分数,从而检测心脏疾病
    • 在 MRI 扫描中应用 CNN 来检测 LGG 以确定 1p/19q 染色体的联合缺失状态

    完成本课程后,您将能够在 MRI 扫描中应用 CNN 执行各种医疗医学任务。

  • 深度学习——医学基因组研究

    预备知识: CNN 和 Python 基础知识经验

    框架:Caffe、TensorFlow、Theano

    应用领域:医学医疗

    提供认证证书:学习完成后,通过在线测试,系统将自动发放证书

    本动手实验课程将教授您如何应用深度学习检测染色体的联合缺失和在基因组序列中寻找基序。您将学习如何:

    • 理解卷积神经网络 (CNN) 的基础知识以及其工作原理
    • 在 MRI 扫描中应用 CNN 来检测 LGG 以确定 1p/19q 染色体的联合缺失状态
    • 使用 DragoNN 工具包评估基因组学数据并寻找基序

    完成本课程后,您将理解 CNN 的工作原理,能够使用 CNN 评估 MRI 影像,以及使用真实的调控基因组数据研究新的基序。

校园大使计划

经过认证的教职人员可以在大学校园内向教职人员、学生和研究人员免费教授 DLI

全球著名学府都可以参与 DLI 校园大使计划。教育工作者还可以下载 NVIDIA 教学套件, 以获取教学课件、实践操作课程和 GPU 云资源等

部分参与的院校

Arizona State University
Columbia
香港科技大学
麻省理工学院