通过 NVIDIA 深度学习培训中心 (DLI) 获得实战培训

受众级别：初级技术水平

预备知识：理解 Python 中的基础编程概念，
例如函数、循环、字典和数组。

课程摘要：通过关于计算机视觉和自然语言处理的实战练习来了解深度学习的工作原理。您将从零开始训练深度学习模型，并学习工具和技巧，以取得准确度较高的结果。您还将学习利用可免费使用的出色预训练模型，从而节省时间，让您能够快速启动并运行深度学习应用。

通过参加此次研讨会，您将：
> 学习训练深度学习模型所需的基础技巧和工具
> 获得常见深度学习数据类型和模型架构方面的相关经验
> 通过数据增强来优化数据集，从而提高模型准确度
> 利用模型间的迁移学习，以较少的数据和计算量取得有效的结果
> 建立自信，使用现代的深度学习框架来运行自己的项目

受众级别：中级技术水平

预备知识：
> 熟悉防御性网络安全主题
> 专业的数据科学和/或数据分析经验
> 精通 Python 编程语言
> 精通 Linux 命令行

课程摘要：
通过 NVIDIA Morpheus AI 框架，网络安全开发者和从业者可以利用 GPU 计算能力，以前所未有的规模来实施网络安全解决方案。借助 Morpheus，网络安全开发者可以创建经过优化的 AI 工作流，对大量实时数据进行筛选、处理和分类。Morpheus 框架正在为数据中心提供更高级别的安全性，提供检测网络安全威胁并补救所需的动态保护、实时遥测和自适应防御。

在此培训中，您将获得使用 NVIDIA Morpheus AI 框架解决实际网络安全挑战的实战经验。完成此培训后，您将：

> 能够构建端到端 Morpheus 工作流，使用 NVIDIA GPU 和 AI 处理和分析海量数据流。
> 能够根据组织的具体需求微调 Morpheus 的开箱即用 AI 工具套件。
> 了解 Morpheus 框架的关键组件、它们如何协同工作，以及您如何开始独立使用这些组件。

受众级别：初级技术水平

预备知识：基本的 C/C++ 编程能力，包括熟悉变量类型、循环、条件语句、函数和数组操作。

课程摘要：CUDA 计算平台能够加速仅使用 CPU 的应用，使之在超快速的大规模并行 GPU 上运行。通过以下方式体验 C/C++ 应用加速：

> 加速仅使用 CPU 的应用，以在 GPU 上运行其潜在并行性
> 利用基本的 CUDA 内存管理技术，优化加速的应用
> 揭示加速应用的并发潜力，并利用 CUDA 流进行开发
> 利用 Nsight Systems 指导和检查您的工作

完成后，您将能够使用非常基本的 CUDA 技术和 Nsight Systems，加速和优化现有的仅使用 CPU 的 C/C++ 应用。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。

受众级别：中级技术水平

预备知识：
> 具备 Python 编码以及库函数和参数使用方面的经验
> 基本了解深度学习框架（例如 TensorFlow、PyTorch 或 Keras）
> 基本了解神经网络

课程摘要：您将学习如何使用基于 Transformer 的自然语言处理模型开展文本分类任务，例如对文档进行归类。您还将学习如何使用基于 Transformer 的模型来开展命名实体识别 (NER) 任务，以及如何分析各种模型特性、约束条件和特点，从而根据指标、领域特异性和可用资源来确定更为契合特定用例的模型。

通过参加此培训，您将能够：
> 了解文本嵌入如何在 NLP 任务（如 Word2Vec、基于循环神经网络 [RNN] 的嵌入和 Transformer）中迅速发展
> 查看如何在不使用 RNN 的情况下，利用 Transformer 架构特性（尤其是自注意力机制）创建语言模型
> 使用自监督机制优化 BERT、Megatron 和其他变体中的 Transformer 架构，以取得更好的 NLP 结果
> 利用经过预训练的现代 NLP 模型来解决多个任务，例如文本分类、NER 和问答
> 管理推理挑战，并为实时应用部署经过改进的模型

受众级别：初级技术水平

预备知识：CNN 和 Python 的相关经验

课程摘要：全球电信基础设施传输的信息量助力其成为人类至今构建的比较复杂和动态的系统。在此培训中，您将实施多个基于 AI 的解决方案，解决重要的电信问题：识别网络入侵。

在此培训中，您将：

> 实施三种不同的异常检测技术：加速 XGBoost、基于深度学习的自动编码器以及生成式对抗网络 (GRN)
> 构建监督式学习，并将其与基于无监督式学习的解决方案进行比较
> 讨论行业中可能受益于现代计算方法的其他用例

完成后，您将能够使用监督式和无监督式机器学习检测大型数据集中的异常情况。

受众等级：高级技术水平

预备知识：在 CUDA C/C++ 应用编写方面具备中级经验

课程摘要：要构建跨多个节点利用多个 GPU 的集群扩展加速计算应用，需要一系列独特的技能。在此培训中，您将学习如何通过以下方式来实现这一点：

> 使用 CUDA 感知型 MPI 和 NVSHMEM 构建高效的支持集群的 CUDA C++ 应用
> 利用 NCCL 通过节点内和跨节点的多个 GPU 实现高度优化的聚合通信
> 学习如何为您的应用和多节点配置确定最佳编程方法

完成后，您将能够使用非常适合多种应用和多 GPU 多节点配置的各种编程模型，以集群规模编写高效的 CUDA C++ 应用。

受众级别：初级技术水平

预备知识：理解 Python 中的基本编程概念，如函数、循环、字典和数组。

课程摘要：通过关于计算机视觉和自然语言处理的实战练习来了解深度学习的工作原理。您将从零开始训练深度学习模型，并学习工具和技巧，以取得准确度较高的结果。您还将学习利用可免费使用的出色预训练模型，从而节省时间，让您能够快速启动并运行深度学习应用。

通过参加此次研讨会，您将：
> 学习训练深度学习模型所需的基础技巧和工具
> 获得常见深度学习数据类型和模型架构方面的相关经验
> 通过数据增强来优化数据集，从而提高模型准确度
> 利用模型间的迁移学习，以较少的数据和计算量取得有效的结果
> 建立自信，使用现代的深度学习框架来运行自己的项目

受众级别：中级技术水平

预备知识：
> 具备 Python 编码以及库函数和参数使用方面的经验
> 基本了解深度学习框架（例如 TensorFlow、PyTorch 或
Keras）
> 基本了解神经网络

课程摘要：您将学习如何使用基于 Transformer 的自然语言处理模型开展文本分类任务，例如对文档进行归类。您还将学习如何使用基于 Transformer 的模型来开展命名实体识别 (NER) 任务，以及如何分析各种模型特性、约束条件和特点，从而根据指标、领域特异性和可用资源来确定更为契合特定用例的模型。

通过参加此培训，您将能够：
> 了解文本嵌入如何在 NLP 任务（如 Word2Vec、基于循环神经网络 [RNN] 的嵌入和 Transformer）中迅速发展
> 查看如何在不使用 RNN 的情况下，利用 Transformer 架构特性（尤其是自注意力机制）创建语言模型
> 使用自监督机制优化 BERT、Megatron 和其他变体中的 Transformer 架构，以取得更好的 NLP 结果
> 利用经过预训练的现代 NLP 模型来解决多个任务，例如文本分类、NER 和问答
> 管理推理挑战，并为实时应用部署经过改进的模型

受众级别：初级技术水平

预备知识：Python（最好包括 pandas 和 NumPy）的相关经验

课程摘要：RAPIDS 是数据科学库的集合，支持数据科学工作流实现端到端 GPU 加速。在此培训中，您将：

> 使用 cuDF 和 Dask 直接依托 GPU 提取和处理大型数据集
> 应用 GPU 加速的各种机器学习算法（包括 XGBoost、cuGRAPH 和 cuML）进行大规模数据分析
> 对大型数据集执行多项分析任务，尽力避免影响英国的模拟流行病爆发

完成后，您将能够比以前更快地加载、处理和分析数据，从而实现更多的迭代周期并大幅提高工作效率。

受众级别：中级技术水平

预备知识：Python 编程经验，基本理解神经网络，以及基本理解 TensorFlow 或 PyTorch 等深度学习框架

课程摘要：学习如何使用实时转录和自然语言处理 (NLP) 功能，快速构建和部署生产级对话式 AI 应用。

如果从零开始，对话式 AI 工作流的开发非常复杂和昂贵。在本课程中，您将学习如何使用 NVIDIA Riva 框架构建对话式 AI 服务。Riva 提供了完整的 GPU 加速的软件堆栈，让开发者可以快速轻松地创建、部署和运行端到端、实时的对话式 AI 应用，这些应用能够理解各公司及其客户特有的术语。Riva 框架包括预先训练的对话式 AI 模型、工具和优化服务，可用于语音、视觉和自然语言理解 (NLU) 任务。通过 Riva，开发者可以创建基于语言的定制 AI 服务，例如虚拟智能助理、虚拟客户服务代理、实时转录、区分对话中不同的讲话者和聊天机器人等。

在本课程中，您会将 NVIDIA Riva 自动语音识别 (ASR) 和命名实体识别 (NER) 模型与基于 Web 的应用集成，对输入的音频生成文本，并且高亮显示相关文本。然后，您将使用 NVIDIA TAO 工具套件定制 NER 模型，从而根据应用提供不同的针对性高亮显示内容。最后，您将探索采用 Helm 图表和 Kubernetes 集群的 Riva 服务的生产级部署性能，以及扩展注意事项。

您将学习如何：

> 在 Riva 上部署和启用经过预训练的 ASR 和 NER 模型，以构建对话式 AI 应用
> 借助音频示例探索 Riva ASR 服务
> 使用 TAO 工具套件微调和部署特定领域的 NER 模型
> 使用 Helm 图表部署产品级对话式 AI 应用，以在 Kubernetes 集群中扩展

完成后，您将能够构建对话式 AI 应用并将其部署为服务。

受众级别：初级技术水平

预备知识：CNN 和 Python 的相关经验

课程摘要：全球电信基础设施传输的信息量助力其成为人类至今构建的比较复杂和动态的系统。在此培训中，您将实施多个基于 AI 的解决方案，解决重要的电信问题：识别网络入侵。

在此培训中，您将：

> 实施三种不同的异常检测技术：加速 XGBoost、基于深度学习的自动编码器以及生成式对抗网络 (GRN)
> 构建监督式学习，并将其与基于无监督式学习的解决方案进行比较
> 讨论行业中可能受益于现代计算方法的其他用例

完成后，您将能够使用监督式和无监督式机器学习检测大型数据集中的异常情况。

受众级别：初级技术水平

预备知识：理解 Python 中的基本编程概念，如函数、循环、字典和数组。

课程摘要：通过关于计算机视觉和自然语言处理的实践练习来了解深度学习的工作原理。您将从零开始训练深度学习模型，并学习工具和技巧，以取得准确度较高的结果。您还将学习利用可免费使用的出色预训练模型，从而节省时间，让您能够快速启动并运行深度学习应用。

通过参加此次研讨会，您将：
> 学习训练深度学习模型所需的基础技巧和工具
> 获得常见深度学习数据类型和模型架构方面的相关经验
> 通过数据增强来优化数据集，从而提高模型准确度
> 利用模型间的迁移学习，以较少的数据和计算量取得有效的结果
> 建立自信，使用现代的深度学习框架来运行自己的项目

受众级别：中级技术水平

预备知识：
> 具备 Python 编码以及库函数和参数使用方面的经验
> 基本了解深度学习框架（例如 TensorFlow、PyTorch 或
Keras）
> 基本了解神经网络

课程摘要：您将学习如何使用基于 Transformer 的自然语言处理模型开展文本分类任务，例如对文档进行归类。您还将学习如何使用基于 Transformer 的模型来开展命名实体识别 (NER) 任务，以及如何分析各种模型特性、约束条件和特点，从而根据指标、领域特异性和可用资源来确定更为契合特定用例的模型。

通过参加此培训，您将能够：
> 了解文本嵌入如何在 NLP 任务（如 Word2Vec、基于循环神经网络 [RNN] 的嵌入和 Transformer）中迅速发展
> 查看如何在不使用 RNN 的情况下，利用 Transformer 架构特性（尤其是自注意力机制）创建语言模型
> 使用自监督机制优化 BERT、Megatron 和其他变体中的 Transformer 架构，以取得更好的 NLP 结果
> 利用经过预训练的现代 NLP 模型来解决多个任务，例如文本分类、NER 和问答
> 管理推理挑战，并为实时应用部署经过改进的模型

受众级别：初级技术水平

预备知识：具备 Python 经验；基本了解数据处理和深度学习。

课程摘要：学习如何设计、训练、测试和部署硬件加速工业检测工作流的基础模组。

探索如何构建一个深度学习模型，使用实际生产数据集自动验证 NVIDIA 印刷电路板 (PCB) 中的电容器。这可以降低验证成本，提高各种制造用例的生产吞吐量。您将学习如何：

> 使用 Pandas DataFrame 和 NumPy 库从所提供的数据集中提取有意义的见解
> 将迁移学习应用于名为 InceptionV3 的深度学习分类模型
> 微调深度学习模型并设置评估指标

完成后，您将能够设计、训练、测试和部署硬件加速工业检测工作流的基础模组。

受众等级：高级技术水平

预备知识：
> 充分了解 PyTorch、深度学习和数据并行训练概念
> 多 GPU 训练和自然语言处理方面的实践经验很有用，但不是非有不可

课程摘要：无论是应用于自然语言处理（例如 GPT-3）、计算机视觉（例如大型 Vision Transformer），还是应用于语音 AI（例如 Wave2Vec 2），超大型的深度神经网络 (DNN) 都具有某些特性，使其不同于较小的对应网络。随着 DNN 变得越来越大，并且基于日益扩大的数据集进行训练，它们只需少量的训练示例就能适应新的任务，从而加速实现通用人工智能。要基于海量数据集训练包含数百万亿到数千万亿参数的模型并非易事，需要以独特的方式组合 AI、高性能计算 (HPC) 和系统知识。本课程旨在演示如何训练更大的神经网络并将其部署到生产环境。

在此培训中，您将学习如何：

> 跨多台服务器训练神经网络
> 使用激活检查点、梯度累积以及各种形式的模型并行等技术，克服与大型模型内存占用相关的挑战。
> 捕捉并理解训练性能特征，以优化模型架构
> 使用 NVIDIA Triton™ 推理服务器将大型的多 GPU 模型部署到生产环境

受众级别：中级技术水平

预备知识：Python 编程经验、基本理解神经网络，以及基本理解 TensorFlow 或 PyTorch 等深度学习框架

课程摘要：学习如何使用实时转录和自然语言处理 (NLP) 功能，快速构建和部署生产级对话式 AI 应用。

如果从零开始，对话式 AI 工作流的开发非常复杂和昂贵。在本课程中，您将学习如何使用 NVIDIA Riva 框架构建对话式 AI 服务。Riva 提供了完整的 GPU 加速的软件堆栈，让开发者可以快速轻松地创建、部署和运行端到端、实时的对话式 AI 应用，这些应用能够理解各公司及其客户特有的术语。Riva 框架包括预先训练的对话式 AI 模型、工具和优化服务，可用于语音、视觉和自然语言理解 (NLU) 任务。通过 Riva，开发者可以创建基于语言的定制 AI 服务，例如虚拟智能助理、虚拟客户服务代理、实时转录、区分对话中不同的讲话者和聊天机器人等。

在本课程中，您会将 NVIDIA Riva 自动语音识别 (ASR) 和命名实体识别 (NER) 模型与基于 Web 的应用集成，对输入的音频生成文本，并且高亮显示相关文本。然后，您将使用 NVIDIA TAO 工具套件定制 NER 模型，从而根据应用提供不同的针对性高亮显示内容。最后，您将探索采用 Helm 图表和 Kubernetes 集群的 Riva 服务的生产级部署性能，以及扩展注意事项。

您将学习如何：

> 在 Riva 上部署和启用经过预训练的 ASR 和 NER 模型，以构建对话式 AI 应用
> 借助音频示例探索 Riva ASR 服务
> 使用 TAO 工具套件微调和部署特定领域的 NER 模型
> 使用 Helm 图表部署产品级对话式 AI 应用，以在 Kubernetes 集群中扩展

完成后，您将能够构建对话式 AI 应用并将其部署为服务。

受众级别：中级技术水平

预备知识：
> 熟悉防御性网络安全主题
> 专业的数据科学和/或数据分析经验
> 精通 Python 编程语言
> 精通 Linux 命令行

课程摘要：通过 NVIDIA Morpheus AI 框架，网络安全开发者和从业者可以利用 GPU 计算能力，以前所未有的规模来实施网络安全解决方案。借助 Morpheus，网络安全开发者可以创建经过优化的 AI 工作流，对大量实时数据进行筛选、处理和分类。Morpheus 框架正在为数据中心提供更高级别的安全性，提供检测网络安全威胁并补救所需的动态保护、实时遥测和自适应防御。

在此培训中，您将获得使用 NVIDIA Morpheus AI 框架解决实际网络安全挑战的实战经验。完成此培训后，您将：

> 能够构建端到端 Morpheus 工作流，使用 NVIDIA GPU 和 AI 处理和分析海量数据流。
> 能够根据组织的具体需求微调 Morpheus 的开箱即用 AI 工具套件。
> 了解 Morpheus 框架的关键组件，它们如何协同工作，以及您如何开始独立使用这些组件。

受众等级：高级技术水平

预备知识：
> 充分了解 PyTorch、深度学习和数据并行训练概念
> 多 GPU 训练和自然语言处理方面的实践经验很有用，但不是非有不可

课程摘要：无论是应用于自然语言处理（例如 GPT-3）、计算机视觉（例如大型 Vision Transformer），还是应用于语音 AI（例如 Wave2Vec 2），超大型的深度神经网络 (DNN) 都具有某些特性，使其不同于较小的对应网络。随着 DNN 的规模越来越大，并在日益增大的数据集上进行训练，它们只需少量的训练示例就能适应新的任务，从而加速实现通用人工智能。在海量的数据集上训练包含数百至数千亿个参数的模型并非易事，，需要以独特的方式组合 AI、高性能计算 (HPC) 和系统知识。本课程旨在演示如何训练更大的神经网络并将其部署到生产环境。

在此培训中，您将学习如何：

> 跨多台服务器训练神经网络
> 使用激活检查点、梯度累积以及各种形式的模型并行等技术，克服与大型模型内存占用相关的挑战。
> 捕捉并理解训练性能特征，以优化模型架构
> 使用 NVIDIA Triton™ 推理服务器将大型的多 GPU 模型部署到生产环境

受众级别：初级技术水平

预备知识：Python（最好包括 pandas 和 NumPy）的相关经验

课程摘要：RAPIDS 是数据科学库的集合，支持数据科学工作流实现端到端 GPU 加速。在此培训中，您将：

> 使用 cuDF 和 Dask 直接依托 GPU 提取和处理大型数据集
> 应用 GPU 加速的各种机器学习算法（包括 XGBoost、cuGRAPH 和 cuML）进行大规模数据分析
> 对大型数据集执行多项分析任务，尽力避免影响英国的模拟流行病爆发

完成后，您将能够比以前更快地加载、处理和分析数据，从而实现更多的迭代周期并大幅提高工作效率。

受众级别：初级技术水平

预备知识：Python 和深度网络的相关经验

课程摘要：了解如何识别时间序列数据中的异常和故障，预估相应部件的剩余使用寿命，并根据此信息找到异常所对应的故障状况。

您将学习如何：

> 利用预测性维护来管理故障，并避免昂贵的计划外宕机时间
> 确定在识别可能导致成本高昂故障的异常方面的关键挑战
> 借助机器学习分类模型与 XGBoost，使用时间序列数据预测结果
> 应用预测性维护程序，使用基于长短期记忆模型 (LSTM) 的模型预测设备故障
> 试用自动编码器，使用先前步骤中的时间序列来检测异常

完成后，您将了解如何使用 AI 预测设备状况并预估何时应进行维护。

受众级别：中高级技术水平

预备知识：
> 熟悉 PyTorch
> 熟悉深度学习和数据并行训练概念 

课程摘要：超大型的深度神经网络 (DNN)，无论是用于自然语言处理 (如 GPT-3)、计算机视觉 (如规模巨大的视觉 Transformer)，还是语音 AI (如 Wave2Vec 2)，都具有区别于其较小规模同类模型的特殊属性。基于海量数据集训练出来的 DNN 的规模越来越大，使得它们只需再经过少量示例训练就能够适应新任务要求，从而加快了向通用人工智能的迈进。使用庞大的数据集，训练包含数百亿到千亿参数的模型并非易事，这需要独特的方法来综合运用人工智能、高性能计算 (HPC) 和系统知识。本课程的目标就是学习如何训练超大型的神经网络并将其部署到生产中。


完成本课程后，您将能够：

> 跨多个服务器训练神经网络
> 使用激活检查点、梯度累积和各种形式的模型并行等技术，来克服与大> 型模型内存占用相关的挑战
> 捕获并了解训练性能特征以优化模型架构
> 使用 NVIDIA Triton™ 推理服务器将超大型多 GPU 模型部署到生产环境