指南
免费下载
深度学习生产指南
从PyTorch到生产：MLOps、容器化和深度学习模型部署。
指南
介绍
掌握PyTorch、TensorFlow和神经网络，构建高性能生产级AI模型
目标
- 使用PyTorch和TensorFlow构建和训练神经网络
- 实现CNN、RNN、LSTM和Transformer架构
- 优化超参数并防止过拟合
- 使用MLOps将模型部署到生产环境
- 应用迁移学习和微调
目标受众
- →希望专注于深度学习的数据科学家
- →希望深化技能的ML工程师
- →对AI感兴趣的Python开发者
- →计算机科学研究人员和博士生
- →数据架构师和AI工程师
先决条件
扎实的Python基础（面向对象编程）。数学基础（线性代数、概率论）。建议有NumPy和Pandas经验。
详细课程
- •感知机、激活函数和反向传播
- •PyTorch入门：张量、自动梯度、模块
- •TensorFlow/Keras：顺序和函数式模型
- •CUDA GPU计算
常见问题
先决条件
扎实的Python基础（面向对象编程）。数学基础（线性代数、概率论）。建议有NumPy和Pandas经验。
目标受众
- →希望专注于深度学习的数据科学家
- →希望深化技能的ML工程师
- →对AI感兴趣的Python开发者
- →计算机科学研究人员和博士生
- →数据架构师和AI工程师
详细课程
1
模块1：深度学习基础
- →感知机、激活函数和反向传播
- →PyTorch入门：张量、自动梯度、模块
- →TensorFlow/Keras：顺序和函数式模型
- →CUDA GPU计算
2
模块2：计算机视觉（CNN）
- →卷积、池化和经典架构（LeNet、VGG、ResNet）
- →使用预训练模型进行迁移学习
- →目标检测：YOLO、Faster R-CNN
- →图像分割和工业应用
3
模块3：NLP和序列（RNN、Transformers）
- →用于时间序列的RNN、LSTM和GRU
- →注意力机制和Transformer架构
- →BERT、GPT和预训练语言模型
- →文本分类和NER的微调
4
模块4：MLOps和生产
- →使用MLflow和Weights & Biases进行实验
- →模型容器化（Docker、ONNX）
- →云部署（AWS SageMaker、GCP Vertex AI）
- →模型监控和A/B测试
5
模块5：实践项目
- →业务问题定义和数据收集
- →模型训练和优化
- →REST API部署
- →文档和最佳实践
预期成果
使用PyTorch和TensorFlow构建和训练神经网络
实现CNN、RNN、LSTM和Transformer架构
优化超参数并防止过拟合
使用MLOps将模型部署到生产环境
应用迁移学习和微调
Companies in 利雅得 using this training
- Saudi Aramco - Awareness training for 500+ employees
- SABIC - Ongoing certification program
- STC (Saudi Telecom) - Security audit and custom training
- KACST (King Abdulaziz City for Science and Technology) startups - Monthly group training sessions
Regulatory Compliance
NCA (National Cybersecurity Authority), ECC (Essential Cybersecurity Controls), PDPL (Personal Data Protection Law), SAMA (Saudi Arabian Monetary Authority) cybersecurity framework, CCC (Critical Systems Cybersecurity Controls), Vision 2030 compliance
FAQs
PyTorch和TensorFlow有什么区别？
我需要GPU来参加培训吗？
这个培训是否为认证做准备？
培训后我可以构建什么类型的项目？
Ready to get started?
Next session in 利雅得
2026年6月8日