NVIDIA 培训 | 6 门“生成式 AI 与大语言模型”开发必备技能课程

如果您希望高效、系统化提升“生成式 AI 与大语言模型”核心开发技能，快来报名由 NVIDIA 深度学习培训中心（DLI）认证讲师进行中文、实时授课的 NVIDIA AI 培训班吧！从入门、进阶到高阶，从理论到实战演练，学习端到端的应用开发策略和工作流，通过云端完全配置的实验环境边学边练，从而快速掌握最佳实践，丰富您的开发经验与技能，同时还可以获得 NVIDIA 全球开发者培训证书。

• 系统提升“生成式 AI 与大语言模型”核心开发技能
  

• NVIDIA DLI 认证讲师在线、实时中文授课答疑

• 完全配置的云端实验环境，提高实战开发技能

• NVIDIA 全球开发者培训证书

• 课后 6 个月内可以继续访问课件和实验（实验资源用量有限额）

贴合零基础人员需求，丰富的深度学习基础理论知识。以计算机视觉和自然语言处理应用为例，采用流行的 PyTorch 框架，快速提升理论到实践的开发能力。

• 学习目标：

• 学到训练深度学习模型所需的基础技能和工具

• 了解常见的深度学习数据类型和模型架构

• 通过数据增强优化数据集，提高模型精准度

• 通过模型间的迁移学习，用较少的数据和计算量获得高效的结果

• 利用先进的深度学习框架自信地运作自己的项目

• 预备知识：

• 了解 Python 3 中的编程基本概念，如函数、循环、字典和数组

• 熟悉 Pandas 数据结构

• 了解如何计算线性回归

  
  

查看课程大纲

• 请扫描下方二维码
  

基于 Transformer 架构训练模型、构建应用，并部署实时推理的端到端应用开发。

• 学习目标：
  

• 了解 NLP 文本嵌入任务的快速演进，如 Word2Vec、基于递归神经网络（RNN）的嵌入和 Transformer

• 在不使用 RNN 的情况下，如何利用 Transformer 架构特点（尤其是自注意力机制）创建语言模型

• 使用自监督机制优化 BERT、Megatron 和其他变体中的 Transformer 架构，以取得更好的 NLP 结果

• 利用经过预训练的现代 NLP 模型来完成多个任务，如文本分类、NER 和问答系统

• 管理推理挑战，以及为实时应用部署经过优化的模型
  

• 预备知识：

• 具备 Python 编码和使用库函数与参数的经验

• 具备对深度学习框架（如 TensorFlow、PyTorch 或 Keras）的基本理解

• 具备对神经网络的基本了解
  

查看课程大纲

• 请扫描下方二维码
  

理解并构建基于扩散模型（Diffusion Model）实现的文生图、图像描述等应用。

• 学习目标：

• 构建 U-Net 模型从纯噪声出发生成图像

• 使用去噪扩散过程提高生成图像的质量

• 使用上下文的嵌入向量控制图像的输出

• 使用对比语言-图像预训练（CLIP）神经网络按照英文文本提示生成图像
  

• 预备知识：

• 熟悉 PyTorch

• 熟悉深度学习基础原理，如《深度学习新手入门》或《深度学习基础——理论与实践入门》课程涵盖的内容，或拥有类似经验

查看课程大纲

• 请扫描下方二维码
  

理解大语言模型的基于开源预训练大语言模型，构建聊天机器人、RAG 智能体等 AI 应用。

• 学习目标：

• 查找、引入和使用 HuggingFace 模型库及其依赖的 Transformers API
  

• 使用编码器模型执行语义分析、嵌入、问答和零样本分类等任务

• 使用解码器模型生成代码、无边界回答和对话等序列

• 利用检索增强生成（RAG）的状态管理和组合技巧，引导 LLM 生成更安全、有效和准确的对话

• 预备知识：

• 深度学习基础，特别是掌握 PyTorch 和迁移学习；如《深度学习新手入门》或《深度学习基础——理论与实践入门》涵盖的内容，或掌握类似经验使用编码器模型执行语义分析、嵌入、问答和零样本分类等任务

• Python 中级水平，包括面向对象的编程和库；如 Python 教程涵盖的内容，或掌握类似经验
  

查看课程大纲

• 请扫描下方二维码
  

学习如何利用 LoRA, P-tuning 参数高效微调（PEFT）技术，根据业务场景定制并优化您的大语言模型。

• 学习目标：

• 在有限的数据上应用各种微调技术，为特定的应用完成模型定制任务
• 使用 LLM 创建合成数据，用来微调较小的 LLM 以执行所需的任务
• 利用 NeMo 框架轻松自定义 GPT、LLaMA-2 和 Falcon 等模型
  

• 预备知识：

• 熟悉 Python 编程经验

• 熟悉基本的深度学习技能，如模型架构、训练和推理；推荐学习《深度学习新手入门》或《深度学习基础——理论与实践入门》

• 熟悉基于 Python 的现代深度学习框架，特别是 PyTorch

• 熟悉开箱即用的预训练 LLM；推荐学习《构建基于大语言模型（LLM）的应用》

• 熟悉高级提示词工程

查看课程大纲

• 请扫描下方二维码
  

学习设计检索增强生成系统（RAG）及高级的 LLM 组合技术，掌握内部推理、对话管理和工具开发技术。

• 学习目标：

• 构建 LLM 系统，利用内部和外部推理组件实现与用户的可预测交互
• 设计对话管理和文档推理系统，用于维护状态并将信息强制转换为结构化格式
• 利用嵌入模型进行高效的内容检索的相似性查询和生成对话护栏
• 开发、模块化和评估检索增强生成（RAG）模型，无需任何微调即可回答有关研究论文数据集的问题
  

• 预备知识：

• 熟悉深度学习基础原理，特别需要掌握 PyTorch 和迁移学习；如《深度学习新手入门》或《深度学习基础——理论与实践入门》课程涵盖的内容，或拥有类似经验
• 了解大语言模型开发基础，如《构建基于大语言模型（LLM）的应用》课程涵盖的内容，或拥有类似经验
• 具备中级 Python 编程经验，包括面向对象的编程和库；如 Python Tutorial 涵盖的内容，或拥有类似经验

查看课程大纲

• 请扫描下方二维码
  

• 8 月 22 日：构建基于扩散模型的生成式 AI 应用

• 9 月 05 日： 深度学习基础 —— 理论与实践入门 (升级版）

• 9 月 19 日：构建基于大语言模型（LLM）的应用

• 10 月 10 日： 高效定制大语言模型（LLM）

• 10 月 24 日：构建大语言模型 RAG 智能体

• 11 月 07 日： 构建基于扩散模型的生成式 AI 应用

• 11 月 21 日：构建基于大语言模型（LLM）的应用

• 12 月 05 日： 高效定制大语言模型（LLM）

• 12 月 19 日 ：构建大语言模型 RAG 智能体

• 1 月 09 日： 大语言模型高级提示工程 （新课程）

新课持续发布，敬请关注！