Kurzusleírás

Bevezetés a CANN és Ascend AI processzorokba

  • Mi a CANN? Szerepe a Huawei AI számítási veremben
  • Az Ascend processzor architektúra áttekintése (310, 910 stb.)
  • Támogatott AI keretrendszerek és eszközlánc áttekintése

Modellkonverzió és fordítás

  • Az ATC eszköz használata modellkonverzióhoz (TensorFlow, PyTorch, ONNX)
  • OM modellfájlok létrehozása és ellenőrzése
  • Nem támogatott operátorok kezelése és gyakori konverziós problémák

Üzembe helyezés MindSpore és más keretrendszerek segítségével

  • Modellek üzembe helyezése MindSpore Lite segítségével
  • OM modellek integrálása Python API-kkal vagy C++ SDK-kkal
  • Munka az Ascend Model Managerrel

Teljesítményoptimalizálás és profilozás

  • Az AI Core, memória és tiling optimalizációk megértése
  • Modellvégrehajtás profilozása CANN eszközökkel
  • Ajánlott eljárások a következtetési sebesség és erőforrás-használat javításához

Hibakezelés és hibakeresés

  • Gyakori üzembe helyezési hibák és azok megoldása
  • Naplók olvasása és a hibadiagnosztikai eszköz használata
  • Üzembe helyezett modellek egységtesztelése és funkcionális ellenőrzése

Peremhálózati és felhőalapú üzembe helyezési forgatókönyvek

  • Üzembe helyezés Ascend 310-en peremhálózati alkalmazásokhoz
  • Integráció felhőalapú API-kkal és mikroszolgáltatásokkal
  • Valós esettanulmányok számítógépes látás és NLP területén

Összefoglalás és következő lépések

Követelmények

  • Tapasztalat Python alapú mélytanulási keretrendszerekben, mint a TensorFlow vagy PyTorch
  • Ismeret a neurális hálózatok architektúrájáról és a modellképzési munkafolyamatokról
  • Alapvető ismeretek a Linux parancssori felületről és szkriptelésről

Közönség

  • AI mérnökök, akik modell üzembe helyezéssel foglalkoznak
  • Gépi tanulási szakemberek, akik hardveres gyorsítást céloznak meg
  • Mélytanulási fejlesztők, akik következtetési megoldásokat építenek
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák