用Python进行深度强化学习 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。

Caffe是一个深刻的学习框架，以表达，速度和模块化为基础。

本课程以MNIST为例，探讨了Caffe作为图像识别的深度学习框架的应用

听众

本课程适合有兴趣使用Caffe作为框架的Deep Learning研究人员和工程师。

完成本课程后，代表们将能够：

• 了解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，执行调试，监控
• 实施高级生产，如培训模型，实施图层和日志记录

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。

听众

本课程适合有兴趣利用可用工具（主要是开源）分析计算机图像的Deep Learning研究人员和工程师

本课程提供了工作实例。

这种由讲师指导的 中国（在线或现场）实时培训面向希望利用 TensorFlow Lite 进行边缘 AI 应用程序的中级开发人员、数据科学家和 AI 从业者。

在培训结束时，参与者将能够：

• 了解 TensorFlow Lite 的基础知识及其在边缘 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。
• 利用工具和技术进行模型转换和优化。
• 使用 TensorFlow Lite 实现实用的边缘 AI 应用程序。

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Go ogle Deep Learning开源软件库的第二代API。该系统旨在促进机器学习的研究，并使其从研究原型到生产系统的快速和轻松过渡。

听众

本课程面向希望将TensorFlow用于Deep Learning项目的工程师

完成本课程后，代表们将：

• 了解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，执行调试，监控
• 能够实现高级生产，如培训模型，构建图形和记录

本课程通过具体的例子探讨了Tensor Flow在图像识别方面的应用

听众

本课程适用于寻求将TensorFlow用于图像识别的工程师

完成本课程后，代表们将能够：

• 了解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，执行调试，监控
• 实施先进的生产，如培训模型，建立图表和记录

TensorFlow™ 是使用数据流图表进行数字计算的开源软件图书馆。

SyntaxNet 是一种神经网络的自然语言处理框架。

Word2Vec 用于学习 vector 表达词,称为 "word embeddings"。 Word2vec 是一个特别计算效率预测模型,用于从原始文本中学习字体内置。 它分为两种品味,即CBOW(Continuous Bag-of-0)模型和Skip-Gram模型(Mikolov et al.第3.1和第3.2章)。) )

SyntaxNet 和 Word2Vec 在同步中使用,允许用户从自然语言输入中创建学习嵌入式模型。

观众

该课程针对开发人员和工程师,他们打算在他们的图表中与SintaxNet和 Word2Vec模型合作。

完成此课程后,代表将:

• 理解 TensorFlow’的结构和部署机制
• 能够执行安装 / 生产环境 / 建筑任务和配置
• 能够评估代码质量,进行解体,监测
• 能够实施先进的生产,如培训模型、包装条款、构建图表和登记