NVIDIA Deep Learning Institute: путеводитель по бесплатным курсам
Как пользоваться бесплатными курсами NVIDIA DLI вместе с курсом ChinaAI: какие три курса брать и на каких ступенях, что проверить на странице курса перед записью и какие открытые материалы NVIDIA на русском закрывают те же темы.
NVIDIA Deep Learning Institute (DLI) — учебный центр NVIDIA. В каталоге есть платные и бесплатные курсы; бесплатные проходят самостоятельно, для них нужен бесплатный аккаунт NVIDIA.
Что это и для кого
Заголовок раздела «Что это и для кого»- Зачем. DLI учит в первую очередь тому, как работать с GPU NVIDIA: CUDA, ускоренный Python, а также прикладным темам — RAG, агенты, инференс. Для LLM-инженера самое ценное — понимать, во что превращается код на видеокарте.
- Формат. Самостоятельные курсы в браузере: видео, текст и ноутбуки.
- Язык. Английский. Субтитров и интерфейса на русском нет — держите рядом наш глоссарий и переводы ниже.
Три бесплатных курса, которые мы рекомендуем
Заголовок раздела «Три бесплатных курса, которые мы рекомендуем»Каталог бесплатных курсов меняется: курсы появляются, убираются в архив или становятся платными. Перед записью проверьте страницу курса (чек-лист ниже).
| Курс | Темы | Ступень курса ChinaAI | Что прочитать до или вместо |
|---|---|---|---|
| An Even Easier Introduction to CUDA | Первое ядро на CUDA C++: потоки, блоки, память GPU | 5.7 | Accelerated Computing Hub, часть 2: ядра, потоки, варпы, блоки, иерархия памяти |
| Fundamentals of Accelerated Computing with CUDA Python | Ускорение Python на GPU: свои ядра на Numba, управление памятью | 5.7 | Accelerated Computing Hub, часть 3: CuPy и ядра на Numba с @cuda.jit |
| Building RAG Agents with LLMs | RAG и агенты на LLM | 8.2 | Mistral Cookbook: RAG с нуля и уроки 8.2–8.3 |
Чек-лист: что проверить на странице курса
Заголовок раздела «Чек-лист: что проверить на странице курса»Перед тем как записываться на любой курс DLI, посмотрите на его странице:
- Цена. Стоит ли пометка «Free»; иногда бесплатен только доступ к материалам, а сертификат платный.
- Длительность и формат. Сколько часов, есть ли практические задания и итоговая проверка.
- Предварительные знания (prerequisites). Если требуется C++, а вы знаете только Python, начните с курса на Python или с переводов Accelerated Computing Hub.
- Среда. Где выполняется код: в облачной среде курса или на вашей машине. Если на вашей — понадобятся драйвер NVIDIA и CUDA Toolkit; у вас для этого есть четыре RTX 4080.
- Ограничение по времени. Бывает, что доступ к облачной среде курса ограничен по часам — планируйте прохождение заранее.
- Дата обновления. Курсы по LLM быстро устаревают: проверьте, какие модели и библиотеки в нём используются.
Открытые материалы NVIDIA на те же темы
Заголовок раздела «Открытые материалы NVIDIA на те же темы»Если курс DLI недоступен, стал платным или неудобен, те же темы закрывают открытые материалы, которые можно читать и запускать без регистрации:
| Материал | Что там | Перевод на сайте |
|---|---|---|
| Accelerated Computing Hub — руководство Accelerated Python | GPU и CPU, модель программирования CUDA, иерархия памяти, Python на GPU | путеводитель, основы |
| Accelerated Computing Hub — курс Accelerated Python, ноутбуки 00–07, 40–47 | CuPy, асинхронность, свои ядра на Numba, CUDA Tile | CuPy и Numba |
| Accelerated Computing Hub — курс Fundamentals of Accelerated Computing with Modern CUDA C++ | Параллельные алгоритмы, асинхронность и потоки команд, свои ядра; в README есть ссылка на лекции на YouTube | путеводитель |
Что читать дальше
Заголовок раздела «Что читать дальше»- В курсе: модуль «GPU изнутри» и урок «Prefill и decode, узкие места».
- Соседние путеводители: Llama Cookbook, Mistral Cookbook.