在线自学式实验室

NVIDIA 深度学习学院 (DLI) 为期望使用深度学习解决全球最具挑战性问题的开发者、数据科学家和研究人员提供动手实验培训。

DLI 通过自学式在线实验室和讲师指导式研讨会,在各应用领域提供设计、训练和部署神经网络的最新技术相关培训。您可探索广泛使用的开源框架和 NVIDIA 最新推出的 GPU 加速深度学习平台。

使用 Qwiklabs 创建帐户,尽情体验下列免费或优惠的在线深度学习实验室

通过Caffe、Theano 和 Torch进行深度学习应用

级别:初级 | 预备知识:无
行业:所有

Frameworks: Caffe, Theano, Torch

此实验室将介绍快速发展的 GPU 加速深度学习技术。本课程专为想要学习深度学习基础知识的学员而设计。您将学习:

  • 深度学习的概念
  • 深度学习的发展将如何增强机器感知任务,包括视觉感知和自然语言的能力
  • 如何选择最适合您需求的软件框架

完成此实验室后,您会对加速深度学习有基本的理解。

通过NVIDIA DIGITS 进行图像分类

级别:初级 | 预备知识:无
行业:所有

Frameworks: Caffe

此实验室会向您展示如何通过在 Caffe 框架上的 NVIDIA DIGITS 和MNIST 手写数据集,在深度学习工作流程中利用深度神经网络 (DNN), 尤其是卷积神经网络 (CNN) 解决真实图像分类问题,您会学到:

  • 构建运行在GPU上的深度神经网络
  • 管理数据准备、模型定义、模型训练和问题排查过程
  • 使用验证数据来测试和尝试不同策略来提升模型性能

完成此实验室后,您将能够使用 NVIDIA DIGITS 来构建、训练、评估和提升您的图像分类应用程序中 CNN 的准确性。

通过NVIDIA DIGITS 进行信号处理

级别:初级 | 预备知识:无
行业:所有

Frameworks: Caffe

此实验室会向您展示如何处理源于声音、地震、无线电和雷达等传感器中的数据。您将学到:

  • 利用卷积神经网络 (CNN) 处理无线电频率 (RF) 信号
  • 检测被噪音破坏的弱信号

完成此实验室后,您将能够利用 DIGITS 应用程序写入数据集、训练 CNN、调整超参数,以及测试和评估您的模型性能。

通过NVIDIA DIGITS 进行目标检测

级别:初级 | 预备知识:NVIDIA DIGITS 与图像分类
行业:所有

Frameworks: Caffe

此实验室通过尝试下列三种不同方法:滑动窗口, 全卷积神经网络 (FCN) 和 DIGITS 的 DetectNet 网络模型,向学员介绍四个主要电脑视觉任务之一 目标检测。您将学到:

  • 评估与下列三个指标有关的目标检测方法:模型训练时间、模型准确性和部署时的检测速度
  • 使用滑动窗口方法检测目标
  • 将全连接网络转换为全卷积神经网络 (FCN)
  •  使用 DIGITS  DetectNet 提升目标检测效率

完成此实验室后,您将了解每种方法的优点,并学习如何使用 NVIDIA DIGITS 在 Caffe 框架中利用真实数据集训练神经网络,并以此检测目标。

通过TensorFlow进行线性分类

级别:初级 | 预备知识:无
行业:所有

Frameworks: TensorFlow

使用 TensorFlow 中的 TF.Learn API 解决二分类问题:提供关于某个人年龄、性别、教育状况和职业(特征)方面的统计数据,我们可以尝试预测此人年收入是否超过 50,000 美元(目标标签)。训练逻辑回归模型,根据提供的个人信息,我们的模型可以输出 0 和 1 之间的数字,这些数字可理解为此人年收入超过 50,000 美元的概率。在此实验室中,您将学到:

  • 使用 Pandas 和 tf.contrib 载入、查看和整理数据。
  • 选择和管理数据。
  • 训练和评估线性模型。
  • 使用正则化以避免过拟合。

完成此实验室后,您将能够从数据集层面进阶到使用多个数据集训练的线性模型层面。

通过TensorFlow、MXNet 和 NVIDIA-Docker 进行深度学习工作流程

级别:初级 | 预备知识:熟悉 Bash 终端
行业:所有

Frameworks: TensorFlow

Docker 是热门的容器基础架构,可以打包程序和大型软件框架(即容器化),并将它们按照单一预配置图像分布,从而减少在本地主机上进行复杂安装和配置的需要。与可显示容器内部主机 GPU 硬件的 Nvidia-Docker 插件配合使用,可以运行产品级深度学习工作流程,显著减少主机配置和管理。在此实验室中,您将学到:

  • 利用 Docker镜像管理容器生命周期。
  • 访问公共 Docker 镜像册表 DockerHub 中的镜像以便创建可组合的轻巧容器时最大限度地重复利用这些镜像
  • 使用 Nvidia-Docker 训练 TensorFlow 和 MXNet
  • 创建您的本地注册表,以在私人网络上托管 Docker 镜像

完成此实验室后,您将能够调整数据中心的容器工作流程,以及了解 Docker 生态系统和云容器服务中可用的工具

通过TensorFlow进行图像分割

级别:初级 | 预备知识:NVIDIA DIGITS 与图像分类
行业:所有

Frameworks: TensorFlow

此实验室研究将图像分割为相关空间区域的重要性,证明此举优于在图像内检测单个物体。学员会学习如何将一幅图像(而非所有图像)的像素分类。此实验室使用 Sunnybrook 心脏磁共振成像(MRI )数据集,识别此实验室中人类心脏的左心室,您将学到:

  • 使用 TensorFlow 构建、训练和评估全卷积神经网络 (FCN)
  • 介绍骰子指标以解释类别失衡挑战
  • 调整超参数来改变训练时间和模型准确性

完成这个实验后,您将学会如何使用 TensorFlow 训练和评估图像分割网络。

通过 NVIDIA DIGITS 和 TensorRT部署神经网络

级别:中级 | 预备知识:通过NVIDIA DIGITS进行图像分类
行业:所有

Frameworks: Caffe

在此实验室中,您将学到:

  • 了解批次大小在推理性能中的作用
  • 在推理过程中做各种优化。
  • 探索其他 DLI 实验室所训练的各类不同 DNN 架构的推理能力。

完成此实验后,您将能够执行完整的深度学习工作流程,包括载入数据、训练神经网络、部署已训练网络和生产。

使用NVIDIA DIGITS进行医学影像分割

级别:初级 | 预备知识:无
行业:医疗

Frameworks: Caffe

此实验室会探索解决语意图像分割问题的各种方法,语意图像分割是广义化的图像分类,类别预测为像素级别。我们使用 Sunnybrook 心脏数据训练神经网络,以学习如何在 MRI 影像上定位左心室。在此实验室中,您将学到:

  • 使用热门图像分类神经网络分割语意
  • 使用自定义 Python 层扩展 Caffe
  • 熟悉迁移学习的概念
  • 训练两个全卷积神经网络 (FCN)

完成此实验室后,您将可在 DIGITS 中设置自己的图像分割工作流程,并用于实际医疗案例。

在 Keras 中通过递归神经网络为时间序列数据建模

级别:中级 | 预备知识:具有 CNN 训练经验
行业:医疗

Frameworks: Theano

目前一个重要的研究领域即是使用深度神经网络分类或预测时间序列数据。时间序列数据来自各应用领域传感器中的大量数据,包括物联网 (IoT)、网络安全、数据中心管理和病患医疗护理领域。在此实验室中,您将学到:

  • 使用 HDF5(分层数据格式第 5 版)中的电子医疗记录创建训练和测试数据集
  • 设计高性能模型
  • 准备配合递归神经网络 (RNN) 使用的数据集,递归神经网络可以为非常复杂的数据序列建模

完成此实验后,您将能够使用运行于 Theano 之上的 Keras 库创建长短期记忆模型 (LSTM),这是一种特殊的 RNN 架构,用以评估模型性能与基准数据的差异。

通过R和MXNet进行医学影像分析

级别:中级 | 预备知识:通过NVIDIA DIGITS进行图像分类
行业:医疗

Frameworks: MXNet

卷积神经网络 (CNN) 已证明在涉及非视觉图像类型的视觉识别任务中与常规的 RGB 摄像头影像同样高效。这些功能的重要应用领域之一即是医学影像分析,我们希望利用影像分析找出表明医学状况的特征,以此推测病人状况。除了处理 CT 扫描和 MRI 等非视觉影像之外,这些应用通常需要我们处理可能为立体且拥有时间动态变化的更高维度图像。
在此实验室中,您将能够使用深度学习框架 MXNet 来训练 CNN,从立体 MRI 数据时间序列中推理人类心脏的左心室容积。在此实验室中,您将学到:

  • 扩展规范的 2D CNN 以应用于更复杂的数据中
  • 直接预测心室容积,而非生成图像分类
  • 使用MXNET和R,这是医疗科研社区的重要科学平台

完成此实验后,您将能够找出表明医学状况的特征,并使用这些特征推理病人状况。

通过TensorFlow进行图像分类:放射组学 - 使用深度学习分类 1p19q 白血球染色体状态

级别:中级 | 预备知识:基本理解卷积神经网络和基因组学的基础知识
行业:医疗

Frameworks: Caffe

在Mayo医学中心应用这项技术后,我们发现使用深度学习技术从 MRI 影像中探测放射组的方法,可以为脑瘤病人提供更有效的治疗,以改善他们的健康状况。放射基因组学,尤其是影像基因组学,可表明癌症影像特征和基因表达之间的关联。影像组学 (Radiomics) 可用于创建生物标记,无需使用侵入性活检,即可找出疾病基因组。在此实验室中,您将学到:

  • 使用 Keras 和 TensorFlow 框架相关深度学习技术(尤其是卷积神经网络)探测 1p19q 共同缺失的生物标记。

完成此实验后,您将可在 DIGITS 中设置自己的图像分割工作流程,并用于实际医疗用例。

通过 Keras 和 Theano采用DragoNN对基因组学进行深度学习

级别:高级 | 预备知识:无
行业:医疗

Frameworks: Theano

在此实验中,我们使用 Dragonn 工具包中的模拟和真实的正则化基因数据,揭秘热门 DragoNN(深度监管基因组学神经网络)架构,并为使用 DragoNN 模型建模和解释监管序列提供指南。在此实验中,您将学到:

  • 判断在基因组学习问题上,选用DragoNN的最佳时机
  • 设计高性能模型
  • 通过解释这些模型,探索预测基因组序列模式,以获得生物学新见解

完成此实验室后,您将能够构建 DragoNN 网络以进行基因组研究。

想要了解更多信息?请访问 www.nvidia.cn/DLI  查看即将举办的 DLI 研讨会和深度学习教育资源等内容。

加入 NVIDIA 开发者计划 以获得您使用 NVIDIA 解决方案研发应用程序所需的最新软件、工具和信息。