收起
NVIDIA GTC CHINA 大会将于2019年12月16-19日在苏州金鸡湖国际会议中心召开。现针对苏州地区开放部分补贴培训课(即补贴审核通过后,不用自己花钱购票即可参加GTC DLI 培训,培训课程完成且通过课程设置的考核,可以获得由NVIDIA颁发的证书)。现开放补贴申请的课程有:
16日-自然语言处理,
16日-工业检测,
17日-多数据类型。
补贴审核通过后,您将会收到会务组发出的确认邮件。已经通过其他渠道申请过DLI免费培训的苏州地区同学请不要再次填写本次申请了。审核通过的同学,除了可以参加本人选择的DLI培训课程外,还可以参加黄仁勋先生的主题演讲以及参观展会。机会难得,请同学们抓紧时间申请了!也请同学们将这一消息广泛转发给苏州的同学朋友,谢谢!
深度学习基础 - 自然语言处理
学习运用深度学习技术,通过一系列的动手实验,采用自然语言处理(NLP) 来理解文本输入。 您将
在云端完全配置的 GPU 加速工作站上利用通用深度学习工具、框架和工作流程训练神经网络。 本课
程首先介绍训练神经网络用于文本分类的技术;然后构建语言风格模型,从给定的文本文档中提取
特征;最后使用神经机器翻译模型将一种语言翻译成另一种语言。
课程时长 | 8 小时 (课后可以继续访问和使用课件和实验资源) |
评估方式 | 编程、多选题 |
培训证书 | 成功完成本课程和测试后,您将获得 NVIDIA DLI 培训证书,证明在相关领域 的能力,为职业发展提供支持 |
预备知识 | 基本的神经网络和 python 编程经验,熟悉语言学 |
语言 | 中文 |
工具、库和框架 | Tensorflow、 Keras |
学习目标
完成本课程后,您将理解:
• 将文本转换成机器可理解的表示以及分类方法
• 实践分布式表示(embedding) 并理解其特性
• 训练机器将一种语言翻译成另一种语言
课程内容概述
学习要点 | 说明 | |
自然语言处理概述 (45 分钟) | • 数据呈现对于计算机理解 语言的重要性 | 自然语言处理的挑战,以及如何用深度学习 来应对这些挑战。 |
休息(15 分钟) | ||
Word Embeddings (120 分钟) | • 用于文本分类的 Word2Vec 算法概述 | 【 动手实验 】 基于 Word2Vec 算法,学习 分布式数据呈现方法,如 word embeddings。训练好的 word embeddings 可以用于解决文本分类等多种问题。 |
休息(60 分钟) | ||
文本分类 (120 分钟) | • 构建一个语言风格模型, 利用 embeddings 从给定 的文本集合中提取特性 | 【 动手实验 】 使用文本分类找出一些未知 文档的作者,然后运用文本分类模型来确定 给定文本文档的正确作者。 |
休息(15 分钟) | ||
文本翻译 (120 分钟) | • 创建一个神经机器翻译模 型,将文本从一种语言翻 译成另一种语言 | 【 动手实验 】 学习基本技能,将人类可读 的文本转换成机器可读格式。 以及如何使用 注意力机制来改善结果,尤其是长文本。 |
总结 (15 分钟) | • 总结回顾 | 简要说明为了创建和部署您自己的应用,可 以参考的后续步骤。 |
深度学习 - 工业检测
Deep Learning for Industry Inspection
应用深度学习,打造自动化工业检测模型
本课程将学习如何训练、 加速和优化基于深度学习模型的缺陷检测分类器,来自动检测印刷电路板
(PCB) 上的电容器。 这可以帮助制造业降低检测成本并提高生产效率。 本课程使用真实的生产数
据集, 首先探究工业检测方面的关键性挑战,包括问题的定义, 数据检查、筛选及格式化等。 然后
介绍关于迁移学习、 在线数据增强,建模和模型微调的基础知识。 在课程结束时,您将熟悉推理优
化,性能评估和深度学习模型解释的关键概念。
课程时长 | 8 小时 (课后可以继续访问和使用课件和实验资源) |
评估方式 | 基于代码 |
培训证书 | 成功完成本课程和测试后,您将获得 NVIDIA DLI 培训证书,证明在相关领域 的能力,为职业发展提供支持 |
预备知识 | 熟悉 Python 和卷积神经网络(CNNs) |
语言 | 中文 |
工具、库和框架 | TensorFlow, NVIDIA TensorRT™, Keras |
学习目标
课程完成后,您将能够了解:
• 制定工业检验案例研究并筛选由自动光学检测(AOI)机器生成的数据集
• 在工业检测工作流程中数据处理方面的挑战
• 使用 Pandas DataFrame 和 NumPy 库从我们的数据集中提取有意义的见解
• 将迁移学习应用于 Inception v3 深度学习分类模型
• 微调深度学习模型并设置评估指标
• 使用 TensorRT 5 在 NVIDIA V100 GPU 上优化经过训练的 Inception v3 模型
• 使用 V100 的 Tensor 核心进行 FP16 半精度快速推理实验
课程内容概述
学习要点 | |
课程介绍 (15 分钟) | • 课程介绍和实验准备 |
理解核心概念 (120 分钟) | • 学习视觉检测的核心概念 • 学习如何确定问题和进行数据筛选 |
休息(60 分钟) | |
迁移学习和建模 (120 分钟) | • 基于迁移学习流程,学习如何训练和验证深度学习模型 • 训练的同时实现在线数据增强,以节省存储数据集的磁盘 空间 • 深入了解微调模型的细微差别 |
休息(15 分钟) | |
学习推理 和结果解析 (120 分钟) | • 学习模型的生产化部署和优化 • 学习如何冻结训练好的深度学习模型, 并使用 TensorRT 进 行优化 • 将优化的模型与最初的 TensorFlow-GPU 模型进行比较,并 评估改进效果 |
总结 (30 分钟) | • 总结及问答 • 完成在线测试以获取证书 • 课程反馈调查 |
深度学习基础 - 多数据类型
Fundamentals of Deep Learning for Multiple Data Types
——
机器视觉和 NLP 技术的融合进阶应用
本课程通过一系列的动手实验,教授如何将深度学习技术应用于涉及多数据类型的一系列问题。您将
在云端完全配置的 GPU 加速工作站上利用通用深度学习工具、框架和工作流程训练神经网络。 简要
介绍深度学习之后,您将进一步构建用于图像分割、句子生成,以及添加图像和视频字幕的深度学习
应用,同时学习有关计算机视觉、神经网络和自然语言处理等概念。 课程最后,您将能够评估哪些问
题可以用深度学习来解决。
课程时长 | 8 小时 (课后可以继续访问和使用课件和实验资源) |
评估方式 | 多项选择 |
培训证书 | 成功完成本课程和测试后,将获得 NVIDIA DLI 培训证书,证明在相关领域的 能力,为职业发展提供支持 |
预备知识 | 熟悉基本的 python(函数和变量)知识和训练神经网络的经验 |
语言 | 中文 |
工具、库和框架 | TensorFlow、 TensorBoard |
学习目标
完成本课程后,您将能够了解深度学习的基本原理,并能够:
• 实践常见的深度学习工作流程,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
• 将用深度学习方法的计算机视觉和自然语言处理结合起来,解决需要多种输入数据类型的复
杂现实问题
课程内容概述
学习要点 | 说明 | |
简介 (45 分钟) | • 课程概述 • 深度学习入门 | 深度学习简介、应用场景、关键术语、 行业趋势以及挑战。 |
休息(15 分钟) | ||
使用 TensorFlow 实现图像分割 (120 分钟) | • 将图像分割与其他计算 机视觉问题进行比较 • 用 TensorFlow 工具进 行试验 • 实施评估模型性能的有 效方法 | 【 动手实验 】 使用 TensorBoard 和 TensorFlow Python API 等工具分割 MRI 图像,以便测量心脏的各个部分。 |
休息(60 分钟) | ||
使用 TensorFlow 生成文字 (120 分钟) | • 自然语言处理 (NLP) 和 递归神经网络 (RNN) 简介 • 从文本数据创建网络输 入 • 使用新数据测试 • 迭代以提高性能 | 【 动手实验 】 训练递归神经网络理解 图像和文本,并使用 MSCOCO (Microsoft Common Objects in Context) 数据集预测句子的下一个词 语。 |
休息(15 分钟) | ||
为图像和视频加字幕 (120 分钟) | • 结合计算机视觉和自然 语言处理来描述场景 • 学习利用卷积神经网络 (CNN) 和 RNN 的功能 | 【 动手实验 】 以串联和(或)平均的 方式,组合多个网络 (CNN 和 RNN)的 输出来训练模型,实现从图像的原始像 素数据生成图像描述。 |
总结 (15 分钟) | • 学习要点总结 • 课程调查 | 回顾概念和实践要点 |