PaddlePaddle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（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。

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 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。

这种由讲师指导的现场培训（在线或现场）面向希望使用 Apache MXNet 构建和部署用于图像识别的深度学习模型的数据科学家。

在本次培训结束时，参与者将能够：

• 安装和配置 Apache MXNet 及其元件。
• 了解 MXNet 的架构和数据结构。
• 使用 Apache MXNet 的低级和高级 API 高效构建神经网路。
• 构建用于图像分类的卷积神经网路。

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 中国（在线或现场）进行，面向希望使用 Keras 和 Python 开发高级深度学习神经网路和模型的软体工程师。

在本次培训结束时，参与者将能够：

• 使用监督式或无监督式学习方法应用深度学习。
• 开发、训练和实施并发神经网路和递归神经网路。
• 使用 Keras 和 Python 构建深度学习模型，以解决涉及图像、文本、声音等的问题。

这个由讲师指导的现场培训在 中国（在线或现场）面向希望使用深度学习技术构建自动驾驶汽车的开发人员。

在本次培训结束时，参与者将能够：

• 使用 Keras 构建和训练卷积神经网路。
• 使用电脑视觉技术识别自动驾驶专案中的车道。
• 训练深度学习模型以区分交通标志。
• 类比完全自动驾驶汽车。