通过NVIDIA DLI课程学习NLP和对话人工智能

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。

关于作者

Dana Sheahen 是NVIDIA 深度学习培训中心的内容开发者，专注于自主系统和对话人工智能的应用。 Dana 的背景包括嵌入式系统软件开发以及人工智能和机器人课程和内容开发。她拥有乔治亚理工学院的理学硕士学位和莱斯大学的理学学士学位。

审核编辑：郭婷