Hardware-Accelerated Video Analytics培訓

這種由講師指導的現場培訓 澳門（在線或遠端）面向希望安裝、配置、管理和排除 CUDA 環境故障的初級系統管理員和 IT 專業人員。

在培訓結束時，參與者將能夠：

• 瞭解 CUDA 的架構、元件和功能。
• 安裝和配置 CUDA 環境。
• 管理和優化 CUDA 資源。
• 調試和排查常見的 CUDA 問題。

這種以講師為主導的澳門現場現場培訓面向希望使用CUDA 構建在NVIDIA GPU上並行運行的Python應用程式的開發人員。

在培訓結束時，參與者將能夠：

• 使用 Numba 編譯器加速在 NVIDIA GPU 上運行的 Python 應用程式。
• 創建、編譯和啟動自定義 CUDA 內核。
• 管理 GPU 記憶體。
• 將基於 CPU 的應用程式轉換為 GPU 加速的應用程式。

OpenCV （開源Computer視覺庫：http：//opencv.org）是一個開源的BSD許可庫，包含數百種計算機視覺算法。

聽眾

本課程面向尋求將OpenCV用於計算機視覺項目的工程師和建築師

這種以講師為主導的澳門現場培訓（現場或遠端）針對的是希望使用OpenCV 4進行深度學習的Python程式設計的軟體工程師。

在培訓結束時，參與者將能夠：

• 使用 OpenCV 4 查看、載入和分類圖像和影片。
• 在 OpenCV 4 中使用 TensorFlow 和 Keras 實現深度學習。
• 運行深度學習模型，並從圖像和視頻中生成有影響力的報告。

這個有指導意義的實時培訓介紹了從零開始構建面部識別系統所需的軟件，硬件和分步驟過程。面部識別也被稱爲人臉識別。 本實驗中使用的硬件包括Rasberry Pi，相機模塊，舵機（可選）等。參與者負責自行購買這些組件。使用的軟件包括OpenCV，Linux，Python等。 在培訓結束後，參與者將能夠： 在Rasberry Pi上安裝Linux，OpenCV和其他軟件實用程序和庫。 配置OpenCV以捕獲和檢測面部圖像。 了解將Rasberry Pi系統打包用于實際環境的各種選項。 使系統適應各種用例，包括監視，身份驗證等。 聽衆 開發商硬件/軟件技術人員所有行業的技術人員愛好者 課程的格式 部分講座，部分討論，練習和沈重的練習 注意 其他硬件和軟件選項包括：Arduino，OpenFace，Windows等。如果您想使用其中的任何一種，請聯系我們安排。

模式匹配是一種用於在圖像中定位指定模式的技術。它可用於確定捕獲圖像中指定特徵的存在，例如工廠生產線中缺陷產品上的預期標籤或組件的指定尺寸。它不同於“ Pattern Recognition ”（它識別基於較大的相關樣本集合的一般模式），因為它具體決定了我們正在尋找的東西，然後告訴我們預期的模式是否存在。

課程格式

• 本課程介紹了模式匹配領域中使用的方法，技術和算法，因為它適用於Machine Vision 。

這種由講師指導的澳門現場現場培訓面向中高級數據科學家，機器學習工程師，深度學習研究人員和計算機視覺專家，他們希望擴展其在深度學習方面的知識和技能，以生成文本到圖像。

在培訓結束時，參與者將能夠：

了解用於文字到圖像生成的高級深度學習架構和技術。 實施複雜的模型和優化，實現高品質的圖像合成。 優化大型數據集和複雜模型的性能和可擴充性。 調整超參數以獲得更好的模型性能和泛化。 將 Stable Diffusion 與其他深度學習框架和工具集成

這種以講師為主導的現場培訓（現場或遠端）面向希望 利用 Stable Diffusion 為各種用例生成高品質圖像的數據科學家、機器學習工程師和計算機視覺研究人員。

在培訓結束時，參與者將能夠：

瞭解 Stable Diffusion 的原理以及它如何用於圖像生成。 為圖像生成任務構建和訓練 Stable Diffusion 個模型。 將 Stable Diffusion 應用於各種圖像生成場景，例如修復、修復和圖像到圖像的轉換。 優化 Stable Diffusion 模型的性能和穩定性。

這種以講師為主導的澳門 現場現場培訓針對的是希望瞭解AlphaFold工作原理並使用AlphaFold模型作為實驗研究指南的生物學家。

在培訓結束時，參與者將能夠：

• 瞭解 AlphaFold 的基本原理。
• 瞭解 AlphaFold 的工作原理。
• 瞭解如何解釋 AlphaFold 預測和結果。

這種以講師為主導的澳門現場現場培訓面向希望使用TensorFlow Lite在嵌入式設備上部署深度學習模型的開發人員。

在培訓結束時，參與者將能夠：

• 在嵌入式設備上安裝和配置 Tensorflow Lite。
• 瞭解 TensorFlow Lite 的基本概念和元件。
• 將現有模型轉換為 TensorFlow Lite 格式，以便在嵌入式設備上執行。
• 在小型設備和 TensorFlow Lite 的限制範圍內工作，同時學習如何擴展可以運行的操作範圍。
• 在運行 Linux 的嵌入式設備上部署深度學習模型。

這種以講師為主導的澳門現場培訓（現場或遠端）針對希望使用TensorFlow Lite開發具有深度學習功能的移動應用程式的開發人員。

在培訓結束時，參與者將能夠：

• 安裝和配置 TensorFlow Lite。
• 瞭解 TensorFlow、機器學習和深度學習背後的原理。
• 將 TensorFlow 模型載入到 Android 設備上。
• 在移動應用程式中啟用深度學習和機器學習功能，例如電腦視覺和自然語言識別。

這種以講師為主導的現場培訓（現場或遠端）面向希望使用TensorFlow Lite開發具有深度學習功能的iOS移動應用程式的開發人員。

在培訓結束時，參與者將能夠：

• 安裝和配置 TensorFlow Lite。
• 了解行動裝置上的 TensorFlow 和機器學習背後的原理。
• 將 TensorFlow 模型載入到 iOS 設備上。
• 運行能夠檢測和分類通過設備攝像頭捕獲的物件的iOS應用程式。

這種以講師為主導的澳門現場培訓（現場或遠端）面向希望在非常小的嵌入式設備上編寫，載入和運行機器學習模型的工程師。

在培訓結束時，參與者將能夠：

• 安裝 TensorFlow Lite。
• 將機器學習模型載入式設備上，使其能夠檢測語音、對圖像進行分類等。
• 將 AI 添加到硬體設備，而無需依賴網路連接。

這種以講師為主導的澳門現場現場培訓針對的是希望使用Chainer在Python中構建和訓練神經網路的研究人員和開發人員，同時使代碼易於調試。

在培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始開發神經網路模型。
• 使用易於理解的原始程式碼定義和實現神經網路模型。
• 執行範例並修改現有演算法以優化深度學習訓練模型，同時利用 GPU 實現高性能。

這種由講師指導的澳門現場（現場或遠端）現場培訓面向希望使用Horovod運行分散式深度學習訓練並將其擴展為在多個GPU上並行運行的開發人員或數據科學家。

在培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始運行深度學習訓練。
• 安裝和配置 Horovod 以使用 TensorFlow、Keras、PyTorch 和 Apache MXNet 訓練模型。
• 使用 Horovod 擴展深度學習訓練，使其在多個 GPU 上運行。