用于电信行业的深度学习（使用Python） 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。

Caffe是一个注重表达、速度和模块化的深度学习框架。

本课程以MNIST为例，探讨Caffe作为深度学习框架在图像识别中的应用。

受众

本课程适合对使用Caffe作为框架感兴趣的深度学习研究人员和工程师。

完成本课程后，学员将能够：

• 理解Caffe的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、实现层和日志记录

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。

Computer Network ToolKit （CNTK） 是 Microsoft 的开源、多机器、多 GPU、高效的 RNN 训练机器学习框架，用于语音、文本和图像。

观众

本课程针对旨在在其专案中使用 CNTK 的工程师和架构师。

受众

本课程适合对利用现有工具（主要为开源工具）进行计算机图像分析的深度学习研究人员和工程师。

本课程提供实际案例。

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。

这种由讲师指导的 中国 现场实时培训（在线或现场）面向希望加速即时机器学习应用程式并大规模部署它们的数据科学家。

在本次培训结束时，参与者将能够：

• 安装 OpenVINO 工具包。
• 使用 FPGA 加速电脑视觉应用程式。
• 在 FPGA 上执行不同的 CNN 层。
• 在 Kubernetes 群集中的多个节点之间扩展应用程式。

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。

这种由讲师指导的现场培训在 中国（在线或现场）进行，面向希望将深度学习模型应用于图像识别应用的技术人员。

在本次培训结束时，参与者将能够：

• 安装和配置 Keras。
• 快速构建深度学习模型的原型。
• 实现卷积网路。
• 实现循环网路。
• 在 CPU 和 GPU 上执行深度学习模型。

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。

TensorFlow 是 Google 开源的深度学习软件库的第二代 API。该系统旨在促进机器学习研究，并快速轻松地将研究原型过渡到生产系统。

受众

本课程面向希望在深度学习项目中使用 TensorFlow 的工程师。

完成本课程后，学员将能够：

• 理解 TensorFlow 的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、构建图和日志记录

本课程通过具体示例，探讨了TensorFlow在图像识别中的应用。

受众

本课程面向希望利用TensorFlow进行图像识别的工程师。

完成本课程后，学员将能够：

• 理解TensorFlow的结构和部署机制
• 执行安装、生产环境、架构任务和配置
• 评估代码质量，进行调试和监控
• 实现高级生产任务，如训练模型、构建图和日志记录

TensorFlow™ 是一个开源的软件库，用于使用数据流图进行数值计算。

SyntaxNet 是一个基于神经网络的自然语言处理框架，专为 TensorFlow 设计。

Word2Vec 用于学习词的向量表示，称为“词嵌入”。Word2Vec 是一种计算效率特别高的预测模型，用于从原始文本中学习词嵌入。它有两种模式：连续词袋模型（CBOW）和 Skip-Gram 模型（Mikolov 等人的第 3.1 和 3.2 章）。

SyntaxNet 和 Word2Vec 结合使用，用户可以从自然语言输入中生成学习到的嵌入模型。

受众

本课程面向希望在 TensorFlow 图中使用 SyntaxNet 和 Word2Vec 模型的开发人员和工程师。

完成本课程后，学员将能够：

• 理解 TensorFlow 的结构和部署机制
• 能够执行安装/生产环境/架构任务和配置
• 能够评估代码质量，进行调试和监控
• 能够实现高级生产任务，如训练模型、嵌入术语、构建图和日志记录