Kurzusleírás

Bevezetés az Edge AI és a Nano Banana világába

  • Az edge-AI munkaterhelések fő jellemzői
  • A Nano Banana architektúrája és képességei
  • Edge és felhő alapú telepítési stratégiák összehasonlítása

Modellek előkészítése edge telepítéshez

  • Modell kiválasztása és alapértékek kiértékelése
  • Függőségek és kompatibilitási szempontok
  • Modellek exportálása további optimalizáláshoz

Modelltömörítési technikák

  • Kiszárítási stratégiák és strukturális ritkaság
  • Súlymegosztás és paramétercsökkentés
  • A tömörítés hatásainak értékelése

Kvantálás edge teljesítmény érdekében

  • Képzés utáni kvantálási módszerek
  • Kvantálásra érzékeny képzési munkafolyamatok
  • INT8, FP16 és vegyes pontosságú megközelítések

Gyorsítás a Nano Banana segítségével

  • A Nano Banana gyorsítók használata
  • ONNX és hardveres backendek integrálása
  • Gyorsított inferencia teljesítményének mérése

Telepítés edge eszközökre

  • Modellek integrálása beágyazott vagy mobil alkalmazásokba
  • Futásidejű konfiguráció és monitorozás
  • Telepítési problémák elhárítása

Teljesítményprofilozás és kompromisszum elemzés

  • Késleltetés, átviteli sebesség és hőmérsékleti korlátok
  • Pontosság és teljesítmény közötti kompromisszumok
  • Iteratív optimalizálási stratégiák

Ajánlott eljárások edge-AI rendszerek karbantartásához

  • Verziókezelés és folyamatos frissítések
  • Modell visszaállítás és kompatibilitás kezelése
  • Biztonsági és integritási szempontok

Összefoglalás és következő lépések

Követelmények

  • A gépi tanulási munkafolyamatok ismerete
  • Tapasztalat Python-alapú modellfejlesztésben
  • Ismeret a neurális hálózati architektúrákban

Célközönség

  • ML mérnökök
  • Adattudósok
  • MLOps szakemberek
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák