在过去的一年里，NVIDIA 宣布了在对话人工智能方面的几项重大突破，用于构建和部署自动语音识别（ ASR ）、自然语言处理（ NLP ）和文本到语音（ TTS ）应用程序。
为了让开发者在云 GPU 加速环境中快速入门， NVIDIA 深度学习培训中心（ DLI ） 提供了三个快速、免费、自定进度的课程。
你会学到什么？
这些教学性 DLI 课程让开发者体验如何使用现代工具快速创建对话式 AI 和 NLP GPU 加速应用程序。学习目标包括：
- 使用 TAO 工具箱训练文本分类模型
- 在 SST-2 数据集上训练并微调 BERT 文本分类模型。
- 对模型进行评估和推断。
- 将模型导出为 ONNX 格式或 Riva 格式以进行部署。
- 使用 Riva 部署文本分类模型
- 使用 Riva ServiceMaker 获取 TAO 导出的 Riva 模型，并将其转换为最终部署。
- 在 Riva 服务器上本地部署模型。
- 使用 Riva API 绑定从演示客户端发送推断请求。
- Riva 语音 API 演示
- 将音频发送到 ASR 型号并接收回文本。
- 使用 NLP 模型转换文本、分类文本和分类标记。
- 向 TTS 型号发送文本并接收回音频。
课程完成后，开发者将熟悉：
- 如何使用 NVIDIA TAO 工具包在 NVIDIA GPU 上训练、推断和导出文本分类模型。
- 如何在 NVIDIA GPU 上使用 NVIDIA Riva 部署文本分类模型。
- 如何从示例客户端构造对 NVIDIA Riva 语音服务器的请求。
为什么文本分类有用？
文本分类回答了这个问题：这段文本属于哪一类？例如，如果你想知道电影评论是正面的还是负面的，你可以使用两个类别来建立一个情绪分析项目。
更进一步，使用几个类别按主题对句子或文档进行分类。在这两个用例中，您都从预先训练好的语言模型开始，然后使用示例分类文本“训练”分类器来创建文本分类项目。
诚然，文本分类只是使用预先训练的语言模型来理解书面语言的许多 NLP 任务之一。一旦开发人员尝试使用 NVIDIA TAO 工具包和 NVIDIA Riva 来培训和部署 文字分类 项目，他们将能够将这种经验扩展到其他 NLP 任务，例如 命名实体识别（ NER ） 和 问答 。
NVIDIA Riva 语音 API 是如何工作的？
Riva 语音 API 服务器公开了一个用于执行语音识别、语音合成和各种 NLP 推断的简单 API 。在本课程中，开发人员使用 Python 示例从 Riva 示例客户机中运行其中几个 API 调用。服务器预填充了 ASR 、 NLP 和 TTS 模型。这些内置模型允许开发人员轻松快速地测试几个对话 AI 组件。
开始学习 NLP 和对话人工智能
- 使用 TAO 工具箱训练文本分类模型 （ 60 分钟）
- 使用 Riva 部署文本分类模型 （ 30 分钟）
- Riva 语音 API 演示 （ 30 分钟）
