Kurzusleírás

Bevezetés az Edge AI és a Nano Banana világába

  • Az edge-AI feladatok kulcsfontosságú jellemzői
  • A Nano Banana architektúrája és képességei
  • Az edge vs felhő üzemeltetési stratégiák összehasonlítása

Modellek Előkészítése az Edge Üzemeltetéshez

  • Modell kiválasztás és alapértelmezett értékelés
  • Függőség és kompatibilitás szempontjai
  • Modell exportálása a további optimalizáláshoz

Modellek Tömörítési Technikái

  • Kisvágás stratégiai és szerkezeti ritkaság
  • Súlymegosztás és paramétercsökkentés
  • A tömörítés hatásainak értékelése

Kvantálás az Edge Teljesítményért

  • Post-training kvantálási módszerek
  • Kvantalásosan megfigyelőképes tanulási folyamatai
  • INT8, FP16 és keverékes-precision megközelítések

Gyorsítás a Nano Banana-val

  • A Nano Banana gyorsítók használata
  • ONNX és hardver háttér integrációja
  • Gyorsított számítások teljesítményének mérésének benchmarkingje

Üzemeltetés Edge Eszközökön

  • Modell integrálása beágyazott vagy mobil alkalmazásokba
  • Futásidőbeli konfiguráció és figyelés
  • Üzemeltetési problémák hibaelhárítása

Teljesítmény Profilozás és Összehasonlítási Analízis

  • Késleltetés, átadási sebesség és hőmérsékleti korlátozások
  • Pontosság vs teljesítmény összehasonlítása
  • Iteratív optimalizálási stratégiák

Legjobb Gyakorlatok az Edge-AI Rendszerek Karbantartásához

  • Verziókezelés és folyamatos frissítések
  • Modell visszavonása és kompatibilitás-kezelés
  • Biztonsági és integritási szempontok

Összefoglaló és Következő Lépések

Követelmények

  • Ismeret a gépi tanulás folyamatairól
  • Tapasztalat Python-alapú modellfejlesztéssel
  • Ismerkedés a neurális hálózatok architektúráival

Célcsoport

  • ML inženírek
  • Adattudósok
  • MLOps gyakorlók
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák