接受訓練以解決全球最富挑戰的問題
NVIDIA 深度學習機構 (DLI) 提供人工智慧、加速運算和加速資料科學的實作訓練課程。開發人員、資料科學家、研究人員和學生可藉由雲端 GPU 環境獲得實作體驗以及能力認證，有助於其專業領域發展。我們為個人提供可自行安排進度的線上訓練課程、為團隊提供講師主持的實作坊，並為大學教職員提供可下載的課程素材，供不同使用者著手使用 DLI。
對於自學者和小型團隊，我們推薦透過 DLI 進行可自行安排進度的線上訓練課程，以及透過我們的合作夥伴進行線上課程。你可以透過 DLI，在雲端上存取全面設定完成的 GPU 加速伺服器，藉此獲得工作所需的實際技能，並有機會取得相關領域的能力認證。
探索深度學習的基礎原理，透過類神經網路實際進行訓練運算，並使用訓練運算結果進行理論探討，進而改善效率與成效。
必備基礎能力：熟悉基礎程式設計原理，例如函數和變數。
技術：Caffe、DIGITS
時間：8 小時
價錢：90 美元（不含稅）
人工智慧強大的功能掌握在自造者、自學開發者與嵌入式技術愛好者的手中。 偕同 NVIDIA Jetson Nano 開發套件，這款易於使用且強大的電腦，可讓你同時執行多個神經網路，適合應用於影像分類、物件偵測、分割和語音處理。在本課程中，你可以在 Jetson Nano 上使用 Jupyter iPython Notebook 建立一個具備深度學習分類的電腦視覺模型。
必備基礎能力：熟悉 Python (有幫助，但非必須)
技術：PyTorch、Jetson Nano
價錢：免費
深度學習技術是一個嶄新的技術，透過向資料學習的模組，取代以往的手動編碼指示，藉此實現全新解決方案。透過以下方式訓練深度神經網路辨識手寫數字:
必備基礎能力：無
技術：Caffe (使用 DIGITS 介面)
時間：2 小時
價錢：30 美元（不含稅）
學習在 TensorFlow 平台利用內建的 TensorRT 函式庫 (TF-TRT) 與 Python 產生高效能深度學習模型之基礎，
必備基礎能力：TensorFlow 與 Python 的經驗
技術：TensorFlow、Python 與 TensorRT (TF-TRT)
瞭解如何使用 Horovod 將深度學習訓練擴充到多個 GPU。Horovod 是開放原始碼的分散式訓練框架，最初由 Uber 打造並由 LF AI 基金會託管。在本課程中，
必備基礎能力：Python 專長能力，以及在 Python 中訓練深度學習模型的專業經驗
技術：Horovod、TensorFlow、Keras、Python
影像 (或語意) 分割是一項將影像的每個像素分到特定類別的工作。透過以下方式瞭解如何分割 MRI 影像，以評估心臟的各個部位
必備基礎能力：類神經網路基礎概念
技術：TensorFlow
遞歸神經網路 (RNN) 能夠讓模型分類或預測時間序列資料，例如自然語言、市場甚至是病人的身體狀況隨時間變化的情形。
必備基礎能力：深度學習基礎概念
技術：Keras
探索如何透過擷取獨特的視覺特徵，將一幅影像的外觀和風格轉移至另一幅影像。瞭解如何運用卷積神經網路 (CNN) 擷取特徵，以及如何將這些特徵輸入產生工具以建立新影像。
必備基礎能力：CNN 的經驗
技術：Torch, CNNs
運用強大的神經網路與自動編碼器，透過低畫質來源影像建立高畫質影像。
技術：Keras, CNNs
放射醫學和醫療影像運用深度學習的實作介紹。
必備基礎能力：Python 的基礎概念
技術：PyTorch, Python
有了梅約診所 (Mayo Clinic) 運用深度學習技術從 MRI 影像偵測影像體學的成果，讓患有腦部腫瘤的病患可以獲得更有效的治療，且後續健康狀態也有所提升。透過下列方式學習偵測 1p19q 共同缺失生物標記:
必備基礎能力：CNN 與 Python 的基礎學習經驗
技術：TensorFlow, CNNs, Python
生成對抗式網路 (GAN) 是一對深度神經網路架構，包含可以根據提供的訓練資料來建立新範例的生成器網路，以及藉由可以試著分辨真實和模擬資料的鑑別器網路。當兩個網路同時提升時，所建立的範例就會越益真實。這項技術對於醫療照護尤其有幫助，因為可以增強較小型的資料集，進而利用這些資料用以訓練傳統網路。
技術：TensorFlow, GANs, CNNs
粗糙至精緻情境式記憶 (CFCM) 是運用極深度的架構所打造的影像分割技術，並包含許多不同等級功能的卷積長短期記憶 (Conv-LSTM)。
必備基礎能力：CNN 與長短期記憶 (LSTM) 的經驗
技術：TensorFlow, CNNs, CFCM
DeepStream 3.0 框架具備硬體加速的智慧影片分析 (IVA) 應用程式建置組塊。這讓開發人員能專心建置核心深度學習網路。DeepStream SDK 支援多樣的用途，並提供彈性的部署媒體。
必備基礎能力：C++ 與 Gstreamer 的經驗
技術：DeepStream3, C++, Gstreamer
學習如何建立 DeepStream 應用以利用物體偵測及分類網路標記串流影片。
必備基礎能力：C 語言基礎知識
技術：DeepStream、TensorRT、Jetson Nano
課程時間：8 時間、線上自學型
價格：免費
CUDA 運算平台能夠在全球最快速的大型平行運算 GPU 上，加速僅使用 CPU 的應用程式。透過下列方式體驗 C/C++ 應用程式加速:
必備基礎能力：基礎 C/C++ 專長能力並熟悉變數類型、迴圈、條件 陳述式、函數和陣列操作。
技術：C/C++, CUDA
本課程帶領你探索如何即時運用特殊化類型的 Python 函數編譯器 Numba，以在大型平行 NVIDIA GPU 上加速執行 Python 程式。
必備基礎能力：基礎 Python 專長能力並熟悉變數類型、迴圈、條件 陳述式、函數和陣列操作。NumPy 專長能力並使用 多維陣列 (ndarray) 和通用函數 (ufunc)。
技術：CUDA, Python, Numba, NumPy
學習 OpenACC 的基本知識，這是在 GPU 上進行程式設計時使用的高階程式語言。本課程適合任何具備 C/C++ 經驗，且對突破僅使用 CPU 進行程式設計的限制、加速應用程式效能有興趣的任何人。
必備基礎能力：C/C++ 基礎概念
技術：OpenACC, C/C++
瞭解如何使用容器化環境執行高效能運算 (HPC) 應用程式開發，從而降低程式碼的複雜性，並提升可攜性和效率。在本課程中，
必備基礎能力：熟練 C/C++ 程式設計和處理 HPC 應用程式的專業經驗
技術：Docker、Singularity、HPCCM、C/C++
瞭解如何運用 OpenACC 掌控 NVIDIA GPU 進行大規模平行運算，以加速 C/C++ 或 Fortran 應用程式。OpenACC 是一種指令運算方式，使用者只要提供編譯器提示加速程式碼，不需自行撰寫加速器程式碼。使用 OpenACC 開始進行加速應用程式的四步驟程序:
技術：C/C++, OpenACC
RAPIDS 是資料科學函式庫的集合，可為端對端的資料科學工作流程提供 GPU 加速。在本課程中，
必備基礎能力：Python 程式經驗，有 Pandas 與 NumPy 經驗尤佳
技術：RAPIDS、NumPy、XGBoost、DBSCAN、K-Means、SSSP、Python
時間：6 小時
開放原始碼的 RAPIDS 專案讓資料科學家能從頭到尾以 GPU 加速他們的資料科學和資料分析應用程式，創造大幅提升效能和技能的可能性，是傳統僅使用 CPU 的工作流程所不能及。
必備基礎能力：Pandas、NumPy 與 scikit-learn 的進階能力
技術：RAPIDS, cuDF, cuML, XGBoost
探索有關 AI、GPU 運算、NVIDIA AI 應用軟體架構，以及如何在資料中心中實現和擴展 AI 工作負載。你將了解 AI 如何翻轉這個社會，以及如何將 GPU 運算部署到資料中心以促進這種轉變。
必備基礎能力：企業網路、儲存以及資料中心營運等基本知識 技術：人工智慧、機器學習、深度學習、GPU 硬體與軟體架構 時間：4 小時 價錢：30 美元（不含稅）
DLI 與頂尖教育組織合作，將深度學習訓練推廣給世界各地的開發者與資料科學家。
在 NVIDIA 深度學習實作坊參與實作訓練，與專家交流、結識同儕。以下是即將舉辦的實作坊:
透過 Jetson Nano 開始使用人工智慧 | 線上實作教學 | 6 月 18 日
透過 Jetson Nano 與 DeepStream 開始影片分析 | 線上實作教學 | 7 月 3 日
多重資料類型的深度學習基礎課程 | 新北 | 7 月 30 日
DLI 在世界各地的會議和大學提供公開的講師主持實作坊。請檢視以下時程表來尋找你附近的實作坊
若有大型團隊或自學者對於訓練感興趣，我們推薦由 DLI 認證講師主持的全天實作坊。你可以為你的團隊申請現場全天實作坊或線上虛擬授課的實作坊。你可以透過 DLI，在雲端上存取全面設定完成的 GPU 加速伺服器，藉此獲得工作所需的實際技能，並有機會取得相關領域的能力認證。
探索深度學習的基本原理，透過訓練神經網路並使用訓練結果改善效能與功能。
在這門課程中，你將透過訓練和部署神經網路來瞭解深度學習的基本概念。你將學會:
完成之後，你便能獨立開始使用深度學習解決問題。
必備基礎能力：熟悉基礎程式設計原理，例如函數和變數
這門課程將帶你探索如何結合卷積和遞歸神經網路，為影像與影片中的內容產生有效的說明。
瞭解如何使用 TensorFlow 和 Microsoft Common Objects in Context (Microsoft 物體內容辨識) (COCO) 資料集訓練網路，產生影像與影片的標題，方法為:
完成本課程後，你將能解決需要輸入多重資料類型的深度學習問題。
必備基礎能力：熟悉基礎 Python (函數和變數) 並具備訓練神經網路的經驗。
學習最新的深度學習技術，以瞭解如何使用自然語言處理 (NLP) 進行文本結構資料型式的處理。你將學會:
完成後，你將專精使用 NLP，並能在其他類似用途上應用內嵌技術。
必備基礎能力：神經網路和 Python 程式編寫基礎概念並熟悉語言學
技術：TensorFlow、Keras
自動駕駛車等人工智慧應用程式的深度神經網路需要有龐大的運算能力。使用單一 GPU 可能需要花上數週才能完成單一訓練循環，若要訓練像是運用於自駕車研究的較大型資料集，甚至得花上數年才能完成模型訓練。多 GPU 技術可以大幅縮短訓練大量資料所需的時間，讓使用者可以利用深度學習解決複雜問題。
此課程教你如何運用多 GPU 技術訓練神經網路。你將學到:
完成課程後，你便能使用 TensorFlow 有效平行化深度神經網路訓練。
必備基礎能力：隨機梯度下降機制、網路架構和平行運算學習經驗
學習如何使用 NVIDIA DRIVE™ 開發平台設計、訓練和部署自駕車適用的深度神經網路。
你將學到:
完成本課程後，你將能夠使用 NVIDIA DRIVE 建立並最佳化自駕車的認知元件。
必備基礎能力：CNN 與 C++ 的經驗
技術：TensorFlow、TensorRT、Python、CUDA C++、DIGITS
探索設計、訓練和部署神經網路用以數位內容創作的最新技術。你將學會:
完成本課程後，你將能夠開始使用深度學習方法建立數位資產。
必備基礎能力：對深度學習概念例如卷積神經網路 (CNN) 有基礎理解，並具備 Python 程式設計語言經驗
技術：Torch、TensorFlow
本課程帶你探索如何將卷積神經網路 (CNN) 應用至 MRI 掃描，以便執行各種醫療任務及計算。你將學會:
完成本課程後，你就能將 CNN 應用至 MRI 掃描，以執行各種醫療任務。
必備基礎能力：對深度神經網路有基礎理解，並具備 Python 或是類似語言的基礎編碼經驗
技術：R、MXNet、TensorFlow、Caffe、DIGITS
探索如何建立深度學習模型，以使用實際的生產資料集自動驗證 NVIDIA 印刷電路板 (PCB) 中的電容。這可以降低驗證成本，並提高各種製造業應用案例的生產輸送量。你將學到:
完成後，你將能夠針對硬體加速的工業檢查流程加以設計、訓練、測試和部署。
由於交通攝影機日益增加、自駕車蓬勃發展和智慧城市的前景可期，對於更快速及更有效率的物件偵測與追蹤模型的需求也逐漸提高。這包含在影片畫面中辨識、追蹤、分割和預測不同類型的物件。
在本實作坊中，你將學習:
完成後，你就能利用停車場攝影機所蒐集的內容，設計、訓練、測試和部署硬體加速交通管理系統的建置組塊。
人工智慧顛覆了各種不同產業的機器人技術加速與開發。探索如何運用嵌入式應用程式 – Jetson 創建機器人解決方案。你將學習：
完成後，你將瞭解如何部署適用於機器人技術的高效能深度學習應用程式。
必備基礎能力: 對深度神經網路有基礎理解，並具備 Python 或是類似語言的基礎編碼經驗。
全世界透過電信基礎架構傳遞的資訊量，使其成為人類所建立最複雜和瞬息萬變的系統之一。在本實作坊中，你將實作多個人工智慧解決方案來解決重要的電信問題，例如辨識網路入侵。
你將學會:
完成後，你就能使用監督式與非監督式機器學習，偵測大型資料集中的異常狀況。
必備基礎能力：CNN 與 Python 的經驗
技術：RAPIDS、Keras、GAN、XGBoost
瞭解如何辨識時間序列資料中的異常和故障狀況、預估對應零件的剩餘使用年限，並利用這份資訊將異常狀況與故障條件互相對應。
完成後，你將瞭解如何使用人工智慧預測設備狀況，並預估執行維護的時間。
必備基礎能力：Python 與深度神經網路的經驗
CUDA 運算平台能夠在全球最快速的大型平行運算 GPU 上 加速僅使用 CPU 的應用程式。體驗 C/C++ 應用程式 加速方式:
在完成本課程後，你將能夠使用最重要的 CUDA 工具和技術， 將現有僅使用 CPU 的 C/C++ 應用程式加速並最佳化。你將瞭解 CUDA 開發的迭代風格如何讓你可以快速推出加速 應用程式。
必備基礎能力：基礎 C/C++ 專長能力並熟悉變數類型、迴圈、條件陳述式、函數和陣列操作。
技術：C/C++、CUDA
本課程帶領你探索如何即時運用特殊化類型的 Python 函數編譯器 Numba，以在大型平行 NVIDIA GPU 上加速執行 Python 程式。你將學會:
完成本課程後，你將能夠使用 Numba 編譯並啟動 CUDA 核心，以加速 NVIDIA GPU 上的 Python 應用程式。
必備基礎能力：基礎 Python 專長能力並熟悉變數類型、迴圈、條件陳述式、函數和陣列操作。NumPy 專長能力，包括使用多維陣列 (ndarray) 和通用函數 (ufunc)。
技術：CUDA、Python、Numba、NumPy
RAPIDS 是資料科學函式庫的集合，可為端對端的資料科學工作流程提供 GPU 加速。在本課程中，你將學會:
完成後，你就能比以往更快速載入、處理與分析多數量級的資料，從而實現更多的迭代周期並大大提高生產率。
必備基礎能力：Python 程式經驗，Pandas 與 NumPy 經驗尤佳
如果你對更全面的企業訓練感興趣，DLI 企業解決方案提供符合 貴組織需求的系列訓練與課程。從線上實作與現場訓練，到執行簡報與企業級報告，DLI 可以協助你的公司轉型為運用人工智慧技術的組織。如欲深入瞭解相關資訊，請聯絡我們。
NVIDIA DLI 為大學教職員提供可下載的課程材料，並透過 DLI 教學套件為學生提供可自行安排進度的免費線上訓練課程。教職員還可透過校園大使計畫 (University Ambassador Program) 取得認證，在校園內提供 DLI 實作坊。
符合資格的大學教職員如果對深度學習、加速運算，與機器人技術課程解決方案感興趣，都可以使用 DLI 教學套件。教職員也可以將課程材料、實作課程、GPU 雲資源與更多內容整合至課程中。
DLI 校園大使計畫 (University Ambassador Program) 會為符合資格的講師提供認證，以免費為大學教職員、學生和研究人員主持 DLI 實作坊。我們也鼓勵教職員下載 DLI 教學套件，以符合大使計畫的參與資格。
DLI 的認證校園大使遍布數百間大學，包括:
DLI 與業界夥伴合作，在全世界建置 DLI 內容以及提供由 DLI 講師主持的實作坊。以下為我們部分的首席合作夥伴
探索豐富的人工智慧與加速運算技術資源。
DLI 條款與條件 >
選填