【日期】 2017/8/24(四)，8/25(五)

【時間】 ■09:10~12:00 ■13:20~16:10

【地點】 計中 106 教室（階梯教室）

【費用】 臺灣大學及國立臺灣大學系統1000 元，其他 2000 元

【主辦單位】國立臺灣大學計算機及資訊網路中心（臺大計中）

【協辦單位】兌全有限公司

兌全有限公司 鄭羽熙 博士

兌全有限公司 總經理
學歷：國立台灣大學 電機系博士 (1992)
經歷：
1. 中山科學研究院簡聘技正
2. 德碩半導體股份有限公司晶片設計經理
3. 麗臺科技股份有限公司副總工程師
專長：
1. Multi-core parallel processing and GPU massive processing
2. Video codec and algorithm
3. Embedded SOC system
4. FPGA and Chip design
5. ECG and HRV application

深度學習（Deep Learning）的技術採用了神經網路（Neural Network）多節點及分層的結構來訓練及分析數據的特徵，進而達成可自動對大量數據的辨識與分類。近年來，Google運用深度學習的技術實現了許多智慧型的服務，例如Google Now語音辨識、Gmail自動回信、Gmail垃圾郵件判斷、Google相簿自動分類與辨識、Google翻譯等。因此，深度學習的技術已漸漸地實現了許多我們期待已久的人工智慧( Artificial Intelligence )應用系統；加上現今CPU與GPU平行處理能力的大幅增長，更促進了目前深度學習被開發的腳步。

在兩天的深度學習課程中，第一天所安排的課程內容將由淺而深，從神經網路的基礎模型開始說明，包含訓練與辨識的方法，使學員瞭解基礎模型的運作方式。接著將介紹在深度學習技術中常用的Convolutional Neural Networks(CNN)模型，配合Computer Vision及Image classification等應用實例，可幫助學員實際的瞭解深度學習的訓練及辨識概念；然而運算速度終將成為實際應用的瓶頸，因此運用GPU加速已成為深度學習項目中不可不知的關鍵技術。NVIDIA提供cuDNN等加速程式庫，讓使用者可以運用所提供的加速模型來加速深度學習的計算，因此本課程也將介紹cuDNN等加速程式庫的使用方法。

經過第一天深度學習的基礎訓練後，第二天的課程內容將著重於Berkeley CAFFE、Google TENSORFLOW及NVIDIA DIGITS深度學習平台的使用。本課程使用國立臺灣大學計算機及資訊網路中心配備的Tesla K80 GPUs作為訓練平台，讓學員上機練習深度學習的簡單案例，進而使學員能夠在最短的時間內著手深度學習在各領域的研究與開發。

誠摯的歡迎您來參加這場不能錯過的GPU深度學習之旅。

第一天	第二天
Introduction to Neural Network Stochastic Gradient Descent (SGD) Convolutional Neural Networks(CNN) Why Deep Learning? Modeling, Training, and Back Propagation Case Study: LeNet-5 Deep Learning for Image classification and analysis Case Study: AlexNet Dropout Case Study: GoogLeNet(Inception), VGGNet, and ResNet RNN and LSTM	Berkeley CAFFE Network Design, Solver set up, Training, and Prediction Design AlexNet Using CAFFE Introduction to Numpy Google TENSORFLOW Tensor Operations and TensorBoard Single Layer Tensor Neural Network Multi-layer Tensor Neural Network