使用Caffe进行视觉深度学习 培训

这种由讲师指导的 中国 现场培训（在线或现场）面向希望扩展深度学习以生成文本到图像的知识和技能的中高级数据科学家、机器学习工程师、深度学习研究人员和计算机视觉专家。

在本次培训结束时，参与者将能够：

• 了解用于文字到图像生成的高级深度学习架构和技术。
• 实施复杂模型和优化，以实现高品质的图像合成。
• 优化大型数据集和复杂模型的性能和可扩充性。
• 优化超参数以获得更好的模型性能和泛化。
• 与其他深度学习框架和工具整合 Stable Diffusion

这种由 中国 的讲师指导的现场培训（在线或现场） 面向希望了解 AlphaFold 工作原理并在实验研究中使用 AlphaFold 模型作为指导的生物学家。

在本次培训结束时，参与者将能够：

• 理解 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。

这种由 讲师指导的 中国 现场培训（在线或现场）面向希望使用 Chainer 在 Python 中构建和训练神经网路，同时使代码易于调试的研究人员和开发人员。

在本次培训结束时，参与者将能够：

• 设置必要的开发环境以开始开发神经网路模型。
• 使用易于理解的原始程式码定义和实现神经网路模型。
• 执行范例并修改现有演算法以优化深度学习训练模型，同时利用 GPU 实现高性能。

本课程为讲师指导的线下或线上培训，面向中级开发者、数据科学家和AI从业者，旨在帮助他们利用TensorFlow Lite开发Edge AI应用。

通过本培训，学员将能够：

• 理解TensorFlow Lite的基础知识及其在Edge AI中的作用。
• 使用TensorFlow Lite开发和优化AI模型。
• 在各种边缘设备上部署TensorFlow Lite模型。
• 掌握模型转换和优化的工具与技术。
• 使用TensorFlow Lite实现实际的Edge AI应用。

本次由讲师主导的中国培训（线上或线下）面向希望从手动面部素描过渡到使用AI工具开发面部识别系统的初级执法人员。

培训结束后，参与者将能够：

• 了解人工智能和机器学习的基础知识。
• 学习数字图像处理的基础知识及其在面部识别中的应用。
• 掌握使用AI工具和框架创建面部识别模型的技能。
• 获得创建、训练和测试面部识别系统的实践经验。
• 了解面部识别技术使用中的伦理考量和最佳实践。

Fiji 是一个开源图像处理包，它捆绑了 ImageJ（用于科学多维图像的图像处理程式）和许多用于科学图像分析的外挂程式。

在这个由讲师指导的现场培训中，参与者将学习如何使用 Fiji 发行版及其底层 ImageJ 程式来创建图像分析应用程式。

在本次培训结束时，参与者将能够：

• 使用 Fiji 的高级程式设计功能和软体元件来扩展 ImageJ
• 从重叠的图块拼接大型 3D 图像
• 使用整合更新系统在启动时自动更新 Fiji 安装
• 从广泛的脚本语言中进行选择，以构建自定义图像分析解决方案
• 在大型生物图像数据集上使用斐济强大的库，例如 ImgLib
• 部署他们的应用程式并与其他科学家合作开展类似专案

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在即时实验室环境中动手实施。

课程自定义选项

• 要申请本课程的定制培训，请联系我们进行安排。

本次由讲师指导的培训在中国（线上或线下）举行，面向初学者到中级水平的研究人员和实验室专业人员，旨在帮助他们处理和分析与组织切片、血细胞、藻类及其他生物样本相关的图像。

培训结束后，参与者将能够：

• 熟悉Fiji界面并掌握ImageJ的核心功能。
• 对科学图像进行预处理和增强，以便更好地分析。
• 定量分析图像，包括细胞计数和面积测量。
• 使用宏和插件自动化重复性任务。
• 根据生物研究中的具体需求，自定义图像分析工作流程。

这种由 讲师指导的 中国 现场实时培训（在线或现场）面向希望使用 Horovod 运行分散式深度学习训练并将其扩展为在多个 GPU 之间并行运行的开发人员或数据科学家。

在本次培训结束时，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。
• 安装并配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 训练模型。
• 使用 Horovod 扩展深度学习训练以在多个 GPU 上运行。

OpenCV（开源 Computer Vision 库：http://opencv.org）是一个开源 BSD 许可的库，包括数百种计算机视觉演算法。

观众

本课程面向寻求将 OpenCV 用于计算机视觉专案的工程师和架构师

这种以讲师为主导的中国现场培训（现场或远程）针对希望在Python与OpenCV 4中编程以进行深度学习的软件工程师。

在培训结束时，参与者将能够：

• 使用 OpenCV 查看、加载和分类图像和视频 4.
• 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。

Pattern Matching 是一种用于在图像中定位指定模式的技术。它可用于确定捕获的图像中是否存在指定特征，例如工厂生产线中缺陷产品上的预期标签或元件的指定尺寸。它与 “Pattern Recognition” 的不同之处在于 “Pattern Recognition” （它根据更大的相关样本集合识别一般模式），因为它具体指示我们正在寻找什么，然后告诉我们预期的模式是否存在。

课程形式

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

这种讲师指导的现场培训（在线或现场）面向希望 利用 Stable Diffusion 为各种使用案例生成高品质图像的数据科学家、机器学习工程师和计算机视觉研究人员。

在本次培训结束时，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 模型。
• 将 Stable Diffusion 应用于各种图像生成方案，例如修复、出海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。

本课程由讲师主导，在中国（线上或线下）提供培训，面向中级专业人士，旨在帮助他们使用Vision Builder AI设计、实施和优化SMT（表面贴装技术）流程中的自动检测系统。

培训结束后，学员将能够：

• 使用Vision Builder AI设置和配置自动检测。
• 获取并预处理高质量图像以进行分析。
• 实施基于逻辑的决策，用于缺陷检测和流程验证。
• 生成检测报告并优化系统性能。