模組一：深度學習理論與實戰

一、人工智慧、機器學習、深度學習的歷史和基本思想

1，人工智慧概述、機器學習概述及基本思想

2，深度學習的前生今世、發展趨勢

3，深度學習的主要模型及應用場景

二、生成性對抗網路GAN

1， GAN的理論知識   

2， GAN經典模型：

CGAN

LAPGAN

DCGAN

3，GAN實際應用： DCGAN提高模糊圖片解析度

三、卷積神經網路

1，CNN卷積神經網路：

卷積層（一維卷積、二維卷積）

池化層（均值池化、最大池化）

全連線層    

啟用函式層    

Softmax層

2，CNN卷積神經網路改進：

R-CNN （SPPNET）  

Fast-R-CNN  

Faster-R-CNN （YOLO、SSD）

3， CNN應用案例：

CNN與手寫數字集分類

YOLO實現目標檢測

PixelNet原理與實現

利用卷積神經網路做影象風格結合

四、迴圈神經網路

1， RNN迴圈神經網路：

梯度計算

BPTT

2， RNN迴圈神經網路改進：

LSTM      

Bi-RNN 

3，RNN實際應用： Seq2Seq的原理與實現    

五、強化學習

1， 強化學習的原理；

2， RL實際應用；

六、遷移學習

1，遷移學習的理論概述；

2，遷移學習的常見方法：

特徵、例項、資料、深度遷移、強化遷移、研究案例；

                        模組二：AI+HPC、GPU高效能及深度學習

一、 GPU通用計算

1、高效能計算的應用場景和實際意義；

2、CPU/GPU體系結構對比介紹：

流水線、多核、快取、訪存、通訊模型、分支預測等；

3、HPC場景：GPU加速高效能運算；

4、AI場景：GPU加速深度學習；

5、AI+HPC場景：

深度學習應用耗時分析

矩陣乘和卷積

對應的GPU解決方案；

二、 GPU高效能運算

1、搭建高效能運算平臺，CUDA開發環境搭建和工具配置；

2、CUDA基礎：

API、資料並行、執行緒模型、儲存模型、控制、同步、併發和通訊、加速比；

3、CUDA優化進階：

執行緒組織排程，訪存優化，資料傳輸，原子操作；

4、GPU平行計算模式及案例分析；

5、CUDA 9新特性；

GPU高效能上機實操：

1、向量加；

2、深度學習瓶頸函式的GPU實現：矩陣乘，卷積；

三、 GPU深度學習

1、搭建深度學習平臺，深度學習顯示卡選型；

2、Pascal架構和Volta架構；

3、深度學習GPU解決方案：

3.1基於GPU的互動式深度學習訓練平臺：DIGITS；

3.2深度學習框架的GPU加速：TensorFlow，Caffe等；

3.3 NVIDIA深度學習SDK：cuDNN，TensorRT，NCCL；

GPU深度學習上機實操：

1、Caffe，TensorFlow等通用深度學習框架的GPU加速庫cuDNN的使用；

2、深度學習推理引擎TensorRT的使用；