英伟达一系列高质量公开课来了！

最新推荐文章于 2025-07-12 14:28:38 发布

转载最新推荐文章于 2025-07-12 14:28:38 发布 · 208 阅读

CC 4.0 BY-SA版权

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247601323&idx=5&sn=3431f19aaa58b5c790f622fefc3905e4&chksm=cf166d250048c77aff9b40a3b7d272fca5907ad22f8d3125a0cda52d2b04059f226a0eba7b91&scene=126&sessionid=0

部署运行你感兴趣的模型镜像

作者 | 啥都生编辑 | 啥都会一点的研究生

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心技术交流群

本文只做学术分享，如有侵权，联系删文

英伟达免费提供许多自学课程，评价肥肠高，有专为初学者设计的也有更进阶的内容（提供证书），若实验室/单位基于NVIDIA Jetson进行开发（我读研那会基本都在这上面玩的）都可以在这找到对应教程

https://www.nvidia.com/en-us/training/online/#free-courses

选了一些感兴趣的课程简单介绍，具体的可去官网查阅，一起看看吧

An Even Easier Introduction to CUDA

https://learn.nvidia.com/courses/course-detail?course_id=course-v1:DLI+T-AC-01+V1

概述

本课程配合Mark Harris的热门博客文章《更简单的CUDA入门》

https://developer.nvidia.com/blog/even-easier-introduction-cuda/

学习编写大规模并行CUDA内核以及在NVIDIA GPU上运行的基础知识

目标

• 在NVIDIA GPU上启动大规模并行的CUDA内核
• 为大规模数据集大小组织并行线程执行
• 管理CPU和GPU之间的内存
• 对CUDA代码进行性能分析，观察性能增益

Generative AI Explained

https://courses.nvidia.com/courses/course-v1:DLI+S-FX-07+V1/

概述

该门课描述了基于各种输入生成新内容的技术，近年来，生成式人工智能涉及使用神经网络来识别现有数据中的模式和结构以生成新内容。在本课程中将学习生成式人工智能的概念、应用，以及这一令人兴奋领域中的挑战和机遇

目标

• 定义生成式人工智能并解释生成式人工智能的工作原理
• 描述各种生成式人工智能应用
• 解释生成式人工智能中的挑战和机遇

Building A Brain in 10 Minutes

https://courses.nvidia.com/courses/course-v1:DLI+T-FX-01+V1/

概述

探索世界上第一个神经网络生物学和心理学带来的启发

目标

• 探索神经网络如何利用数据进行学习
• 理解神经元背后的数学原理

Augment your LLM Using Retrieval Augmented Generation

https://courses.nvidia.com/courses/course-v1:NVIDIA+S-FX-16+v1/

概述

检索增强生成（RAG）- 由Facebook AI Research在2020年推出，是一种用于优化LLM输出的架构，可以动态地使用特定领域的数据而无需重新训练模型。RAG是一个端到端的架构，将信息检索组件与响应生成器结合在一起。在这门课中将为大家的LLM和RAG之旅提供一个快速启动

目标

• 了解检索增强生成的基础知识
• 学习有关RAG检索过程的知识
• 了解NVIDIA AI Foundations以及构成RAG模型的组件

Getting Started with AI on Jetson Nano

https://courses.nvidia.com/courses/course-v1:DLI+S-RX-02+V2/

概述

有了英伟达™（NVIDIA®）Jetson Nano 开发者工具包，人工智能的力量现在已经掌握在世界各地的制造商、自学成才的开发者和嵌入式技术爱好者手中。这款简单易用、功能强大的计算机可以并行运行多个神经网络，用于图像分类、物体检测、分割和语音处理等应用。在本课程中，各位将在自己的 Jetson Nano 上使用 Jupyter iPython 笔记本，利用计算机视觉模型构建一个深度学习分类项目

目标

• 设置Jetson Nano和摄像头
• 为分类模型收集图像数据
• 为回归模型注释图像数据
• 在自己的数据上训练神经网络，创建模型
• 使用创建的模型在Jetson Nano上运行推理

Building Video AI Applications at the Edge on Jetson Nano

https://courses.nvidia.com/courses/course-v1:DLI+S-IV-02+V2/

概述

在这门课程中，将使用JupyterLab和Python应用程序示例在Jetson Nano上构建新项目，通过深度学习视频分析从视频流中提取有意义的信息。从本课程中学到的技术可以应用于将来在Nano或其他Jetson平台上自己的项目中

目标

• 设置Jetson Nano
• 构建端到端的DeepStream管道，将原始视频输入转换为有意义的注释视频输出
• 将替代输入和输出源构建到自己管道中
• 同时配置多个视频流
• 配置推理引擎，如YOLO

完成该课后，能够构建DeepStream应用程序，从各种多个来源的视频流中推理视频流，以识别和分类对象，在拥挤场景中计数对象，并将结果作为实时流或文件输出

Accelerate Data Science Workflows with Zero Code Changes

https://learn.nvidia.com/courses/course-detail?course_id=course-v1:DLI+T-DS-03+V1

概述

在各行各业，现代数据科学需要快速高效地处理大量数据，工作负载需要加速以确保及时输出并提高整体生产率。NVIDIA RAPIDS提供了一种无需更改代码即可为许多现有数据科学任务提供GPU加速的无缝体验。在这门课中将学习如何使用RAPIDS来加速基于CPU的数据科学工作流程

目标

• 了解跨CPU和GPU统一工作流对数据科学任务的益处
• 学习如何使用零代码更改GPU加速各种数据处理和机器学习工作流程
• 体验工作流程GPU加速时处理时间的显著减少

以上就是本期全部内容，下次再见

END

投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

网页端官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频