您查看的活动已结束

2023相信对于很多人来说都是不平凡的一年，ChatGPT 带来的巨大冲击，人工智能掀起的时代浪潮，过去大半年带来的行业变革无疑在加速改变着每个人的生活，而与此同时，Python 语言也在面临着巨大的机遇与挑战。

在此大环境下的你，是否也在经历着个人人生旅程中的震荡与转折？Python 又是否是你乘风破浪的助力？或是柳暗花明的惊喜？

迎着人工智能的风暴，PyCon China 2023 正式开启！

这一次，我们想和你一起，共同探讨新 AI 时代为 Python 语言带来的全新面貌，探索 Python 未来的活力之源与发展方向。

今年的 PyCon China 2023 将于12月在北京、上海、成都、杭州、重庆、深圳、广州联动举办，以各城市线下分会场的形式进行，并全程开放线上直播，邀请全国的 Pythonistas 共聚一堂！

活动日程

分享嘉宾

主题演讲

何琨

NVIDIA 企业开发者社区高级经理

拥有多年的 GPU 和人工智能开发经验。自 2017 年加入 NVIDIA 开发者社区以来，完成过上百场培训，帮助上万个开发者了解人工智能和 GPU 编程开发。在计算机视觉，高性能计算领域完成过多个独立项目。并且，在机器人和无人机领域，有过丰富的研发经验。对于图像识别，目标的检测与跟踪完成过多种解决方案。

分享主题：AIGC 的文字生成图像 GPU 实现流程

主题简介：随着 AI 技术的发展, 数字内容创建业务也变得越来越火热。生成式 AI 模型的发布, 让我们看到了人工智能在各行各业的潜力。您只需要用语言简单描述自己希望看到的画面，AI 便可以自动生成画作。生成式 AI 模型的广泛应用，不仅提高了我们的工作效率，也为社会发展带来了巨大的推动力。

生成式 AI 是一种可以从数据中学习并生成新数据的 AI 技术。它最早被应用在艺术创作和游戏设计中，但随着技术的发展，其应用领域越来越广泛。例如，它可以被用来生成新的设计草图，或者在电影和电视制作中生成逼真的虚构角色。

在本次课程中，我们将深入介绍生成式 AI，特别是文字生成图像的技术。我们希望你在此学习过程中找到跟踪 AI 发展的灵感，并鼓励你进行更多的实践和探索。

通过本次研讨会, 您将了解到：

• AIGC 模型 Stable Diffusion 的基本原理

• TensorRT 推理引擎的工作原理

• 利用 TensorRT 推理引擎加速 Stable Diffusion 的方法

• 利用 Stable Diffusion 模型结合文字生成图像

施宇航

PingCAP TiDB Serverless engineer

分享主题：TiDB Serverless Branching：通过数据库分支简化 Python 应用开发流程 

主题简介：TiDB Serverless Branching 功能使用户能够为其 TiDB Serverless 集群创建分支。这些分支可以实现并行开发，促进新功能快速迭代，排查故障，开发者无需中断生产数据库的运行。该功能不仅简化了 Python 程序的开发和部署过程，还保持了生产环境中数据库的稳定性和可靠性。

Nadeshiko Manju

Freelancer，开源爱好者

“摇曳露营是世界上最好看的动画，第三季2024.04播出”

分享主题：Python 中可观测性技术浅析

主题简介：通常在我们排查问题的时候。将面临如何去观测，调试一个 Python 进程中的状态这样一个玄学问题。Python 从 3.6 开始，内置的可以利用的工具逐渐多了起来。那么我们今天来聊一下 Python 中的可观测性。

张晋涛

云原生技术专家、Kubernetes ingress-nginx maintainer

containerd/Docker/Helm/Kubernetes/KIND 等众多开源项目 contributor，『K8S 生态周报』的维护者，微软 MVP。对 Docker 和 Kubernetes 等容器化技术有大量实践和深入源码的研究，业内多个知名大会讲师，PyCon China 核心组织者，写有 《Kubernetes 上手实践》、《Docker 核心知识必知必会》和《Kubernetes 安全原理与实践》等专栏。 公众号：MoeLove

分享主题：如何利用 Semantic Kernel 和 AOAI 开发自己的 LLM 应用

主题简介：本次分享将会介绍如何利用 Microsoft 开源的 Semantic Kernel 和 Azure OpenAI Service 开发自己的 LLM 应用，涵盖对 Semantic Kernel 的深入剖析和 Prompt engineering 的实践经验。听众可以在本次分享后，可以很容易的上手并开发自己的 LLM 应用。

古思为

NebulaGraph LLM 产品 leader、LlamaIndex 项目 top 10 贡献者、NebulaGraph AI Suite  Nebula-LLM 作者、微软 Python MVP、图技术布道师

分享主题：如何构建知识图谱驱动的大模型应用

主题简介：大模型 RAG 范式中有很多天然痛点：chunking 对知识结构的破坏与信息浓度的预设、通用 embedding 模型的相似不相关 retrieval，等等。  知识图谱（kg）作为重要的知识持久化形式，可以在大模型技术栈中提高质量、消弭幻觉充当重要角色。  然而，kg 的构建、访问、使用方法与 LLM 场景的落地方法策略一直在演进、探索中，这让大多数 LLM 开发者望而却步，本次演讲中古思为作为 Graph RAG 的提出者将为大家解密、梳理到底 KG 如何与 LLM 结合、落地。

​