深度学习理论与实战及GPU高性能计算解决方案应用高级培训班已截止报名
推荐参加：2024PM产品力领航者大会

会议时间： 2018-01-05 08:00至 2018-01-08 18:00结束

会议地点：广州番禺区广州大学城（软件学院）广州市番禺区周边酒店预订

会议规模：35人

主办单位：中科云畅应用技术研究院中科院计算所烟台分所

行业热销热门关注看了又看换一换

会议通知
会议内容主办方介绍

深度学习理论与实战及GPU高性能计算解决方案应用高级培训班宣传图

各有关学校：

随着人工智能（AI）特别是深度学习（Deep Learning）近年来的飞速发展，在多个领域的成功应用，已经成为当前学术界和各行业最炙手可热的研究应用方向。不仅广泛应用于搜索引擎、电子商务、社交网络等互联网服务，并且在计算视觉、自然语言处理、金融、生物医药等行业AI的研究与应用也呈现爆发式增长。同时由于深度学习（Deep Learning）需要处理的海量数据非常庞大，GPU（CUDA、OPENACC、OPENCL）计算在人工智能/深度学习领域展现出相比传统CPU计算巨大的优势，极大的提高了计算能力，降低时间成本，已经成为深度学习计算的首选解决方案。为加强AI技术的创新发展和应用，培养社会急缺的深度学习专业人才，中国科学院计算技术研究所烟台分所特别深度学习领域的专家，举办“深度学习理论与实战及GPU高性能计算解决方案应用高级培训班。”

中科云畅应用技术研究院

中科院计算所烟台分所

中科院计算技术研究所烟台分所（烟台分所）是中国科学院计算技术研究所与烟台高新技术产业开发区共同组建的网络应用技术研究机构，定位为将国家战略需求和地方产业需求紧密结合的新型研究所。是中科院计算所第一个将技术整体转移并实现资源共享、信息互通的地方分支机构。明确“一个方向”：以海量互联网数据的深度信息处理为主要发展方向。建设“三大平台”：海量网络数据计算平台，大规模网络仿真平台，互联网深度信息服务。产出“三类价值”：学术、系统和应用、产业孵化。

会议日程（最终日程以会议现场为准）

模块一：深度学习理论与实战
一、人工智能、机器学习、深度学习的历史和基本思想	1，人工智能概述、机器学习概述及基本思想 2，深度学习的前生今世、发展趋势 3，深度学习的主要模型及应用场景
二、生成性对抗网络GAN	1，GAN的理论知识 2，GA经典模型: CGAN LAPGAN DCGAN 3，GAN实际应用：DCGAN提高模糊图片分辨率
三、卷积神经网络	1，CNN卷积神经网络：卷积层（一维卷积、二维卷积）池化层（均值池化、最大池化）全连接层激活函数层 Softmax层 2，CNN卷积神经网络改进： R-CNN（SPPNET） Fast-R-CNN Faster-R-CNN（YOLO、SSD） CNN应用案例： CNN与手写数字集分类 YOLO实现目标检测 Pixe1Ner 原理与实现利用卷积神经网络做图像风格结合
四、循环神经网络	1，RNN循环神经网络：梯度计算 BPTT 2，RNN循环神经网络改进： LSTM Bi-RNN 3，RNN实际应用：Seq2Seq的原理与实现
五、强化学习	1，强化学习的原理； 2，RL实际应用；
六、迁移学习	1，迁移学习的理论概述； 2，迁移学习的常见方法：特征、实例、数据、深度迁移、强化迁移、研究案例；
模块二：AI+HPC、GPU高性能及深度学习
一、GPU通用计算	1，高性能计算的应用场景和实际意义； 2，CPU/GPU体系结构对比介绍：流水线、多核、缓存、访存、通信模型、分支预测等； HPC场景：GPU加速高性能计算； AI场景：GPU加速深度学习； AI+HPC场景：深度学习应用耗时分析矩阵乘和卷积对应的GPU解决方案；
二、GPU高性能计算	1，搭建高性能计算平台，CUDA开发环境搭建和工具配置； 2，CUDA基础： API、数据并行、线程模型、存储模型、控制、同步、并发和通信、加速比； 3，CUDA优化进阶：线程组织调度、访存优化，数据传输，原子操作； 4，GPU并行计算模式及案例分析； 5，CUDA 9新特性；
二、GPU高性能计算	GPU高性能上机实操： 1，向量加； 2，深度学习瓶颈函数的GPU实现：矩阵乘，卷积
三、GPU深度学习	1，搭建深度学习平台，深度学习显卡选型； 2，Pascal构架和Volta构架； 3，深度学习GPU解决方案： 3.1基于GPU的交互式深度学习训练平台：DIGITS； 3.2深度学习框架的GPU加速：TensorFlow，Caffe等 3.3 NVIDIA深度学习SDK：cuDNN，TensorRT，NCCL；
三、GPU深度学习	GPU深度学习上机实操： 1，Caffe，TensorFlow等通用深度学习框架的GPU加速库cuDNN的使用； 2，深度学习推理引擎TensorRT的使用；