Hardware-Accelerated Video Analytics培训

这种由讲师指导的现场培训 中国（在线或远程）面向希望安装、配置、管理和排除 CUDA 环境故障的初级系统管理员和 IT 专业人员。

在培训结束时，参与者将能够：

• 了解 CUDA 的架构、组件和功能。
• 安装和配置 CUDA 环境。
• 管理和优化 CUDA 资源。
• 调试和排查常见的 CUDA 问题。

这种以讲师为主导的中国现场现场培训面向希望使用CUDA 构建在NVIDIA GPU上并行运行的Python应用程序的开发人员。

在培训结束时，参与者将能够：

• 使用 Numba 编译器加速在 NVIDIA GPU 上运行的 Python 应用程序。
• 创建、编译和启动自定义 CUDA 内核。
• 管理 GPU 内存。
• 将基于 CPU 的应用程序转换为 GPU 加速的应用程序。

OpenCV （开源Computer视觉库：http：//opencv.org）是一个开源的BSD许可库，包含数百种计算机视觉算法。

听众

本课程面向寻求将OpenCV用于计算机视觉项目的工程师和建筑师

这种以讲师为主导的中国现场培训（现场或远程）针对的是希望使用OpenCV 4进行深度学习的Python编程的软件工程师。

在培训结束时，参与者将能够：

• 使用 OpenCV 4 查看、加载和分类图像和视频。
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 实现深度学习。
• 运行深度学习模型，并从图像和视频中生成有影响力的报告。

这个有指导意义的实时培训介绍了从零开始构建面部识别系统所需的软件，硬件和分步骤过程。面部识别也被称为人脸识别。 本实验中使用的硬件包括Rasberry Pi，相机模块，舵机（可选）等。参与者负责自行购买这些组件。使用的软件包括OpenCV，Linux，Python等。 在培训结束后，参与者将能够： 在Rasberry Pi上安装Linux，OpenCV和其他软件实用程序和库。 配置OpenCV以捕获和检测面部图像。 了解将Rasberry Pi系统打包用于实际环境的各种选项。 使系统适应各种用例，包括监视，身份验证等。 听众 开发商硬件/软件技术人员所有行业的技术人员爱好者 课程的格式 部分讲座，部分讨论，练习和沉重的练习 注意 其他硬件和软件选项包括：Arduino，OpenFace，Windows等。如果您想使用其中的任何一种，请联系我们安排。

模式匹配是一种用于在图像中定位指定模式的技术。它可用于确定捕获图像中指定特征的存在，例如工厂生产线中缺陷产品上的预期标签或组件的指定尺寸。它不同于“ Pattern Recognition ”（它识别基于较大的相关样本集合的一般模式），因为它具体指示了我们正在寻找的东西，然后告诉我们预期的模式是否存在。

课程格式

• 本课程介绍了模式匹配领域中使用的方法，技术和算法，因为它适用于Machine Vision 。

这种由讲师指导的中国现场现场培训面向中高级数据科学家，机器学习工程师，深度学习研究人员和计算机视觉专家，他们希望扩展其在深度学习方面的知识和技能，以生成文本到图像。

在培训结束时，参与者将能够：

了解用于文本到图像生成的高级深度学习架构和技术。 实施复杂的模型和优化，实现高质量的图像合成。 优化大型数据集和复杂模型的性能和可扩展性。 调整超参数以获得更好的模型性能和泛化。 将 Stable Diffusion 与其他深度学习框架和工具集成

这种以讲师为主导的现场培训（现场或远程）面向希望 利用 Stable Diffusion 为各种用例生成高质量图像的数据科学家、机器学习工程师和计算机视觉研究人员。

在培训结束时，参与者将能够：

了解 Stable Diffusion 的原理以及它如何用于图像生成。 为图像生成任务构建和训练 Stable Diffusion 个模型。 将 Stable Diffusion 应用于各种图像生成场景，例如修复、修复和图像到图像的转换。 优化 Stable Diffusion 模型的性能和稳定性。

这种以讲师为主导的中国 现场现场培训针对的是希望了解AlphaFold工作原理并使用AlphaFold模型作为实验研究指南的生物学家。

在培训结束时，参与者将能够：

• 了解 AlphaFold 的基本原理。
• 了解 AlphaFold 的工作原理。
• 了解如何解释 AlphaFold 预测和结果。

这种以讲师为主导的中国现场现场培训面向希望使用TensorFlow Lite在嵌入式设备上部署深度学习模型的开发人员。

在培训结束时，参与者将能够：

• 在嵌入式设备上安装和配置 Tensorflow Lite。
• 了解 TensorFlow Lite 的基本概念和组件。
• 将现有模型转换为 TensorFlow Lite 格式，以便在嵌入式设备上执行。
• 在小型设备和 TensorFlow Lite 的限制范围内工作，同时学习如何扩展可以运行的操作范围。
• 在运行 Linux 的嵌入式设备上部署深度学习模型。

这种以讲师为主导的中国现场培训（现场或远程）针对希望使用TensorFlow Lite开发具有深度学习功能的移动应用程序的开发人员。

在培训结束时，参与者将能够：

• 安装和配置 TensorFlow Lite。
• 了解 TensorFlow、机器学习和深度学习背后的原理。
• 将 TensorFlow 模型加载到 Android 设备上。
• 在移动应用程序中启用深度学习和机器学习功能，例如计算机视觉和自然语言识别。

这种以讲师为主导的现场培训（现场或远程）面向希望使用TensorFlow Lite开发具有深度学习功能的iOS移动应用程序的开发人员。

在培训结束时，参与者将能够：

• 安装和配置 TensorFlow Lite。
• 了解移动设备上的 TensorFlow 和机器学习背后的原理。
• 将 TensorFlow 模型加载到 iOS 设备上。
• 运行能够检测和分类通过设备摄像头捕获的对象的 iOS 应用程序。

这种以讲师为主导的中国现场培训（现场或远程）面向希望在非常小的嵌入式设备上编写，加载和运行机器学习模型的工程师。

在培训结束时，参与者将能够：

• 安装 TensorFlow Lite。
• 将机器学习模型加载到嵌入式设备上，使其能够检测语音、对图像进行分类等。
• 将 AI 添加到硬件设备，而无需依赖网络连接。

这种以讲师为主导的中国现场现场培训针对的是希望使用Chainer在Python中构建和训练神经网络的研究人员和开发人员，同时使代码易于调试。

在培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网络模型。
• 使用易于理解的源代码定义和实现神经网络模型。
• 执行示例并修改现有算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

这种由讲师指导的中国现场（现场或远程）现场培训面向希望使用Horovod运行分布式深度学习训练并将其扩展为在多个GPU上并行运行的开发人员或数据科学家。

在培训结束时，参与者将能够：

• 设置必要的开发环境以开始运行深度学习训练。
• 安装和配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 训练模型。
• 使用 Horovod 扩展深度学习训练，使其在多个 GPU 上运行。