Kurzusleírás

Cambricon és MLU architektúra bevezetése

  • Áttekintés a Cambricon AI chip portfolio-ról
  • MLU architektúra és utasítási sor
  • Támogatott modell típusok és használati esetek

A fejlesztői eszközlánc telepítése

  • BANGPy és Neuware SDK telepítése
  • Python és C++ környezeti beállítása
  • Modell kompatibilitás és előfeldolgozás

Modellfejlesztés BANGPy segítségével

  • Tensor szerkezet és alak kezelése
  • Számítási grafikus konstrukció
  • BANGPy-ben egyedi műveletek támogatása

Telepítés Neuware Runtime segítségével

  • Modell átalakítása és betöltése
  • Végrehajtás és következtetési ellenőrzés
  • Életrájú és adatközponti telepítési gyakorlatok

Teljesítményoptimalizálás

  • Memóriamapping és rétegtuning
  • Végrehajtási nyomkövetés és profilizálás
  • Gyakori kúszók és javítások

MLU integrálása alkalmazásokba

  • Neuware API-k használata alkalmazási integrációhoz
  • Streaming és többmodell támogatás
  • Hibrid CPU-MLU következtetési szcenáriók

Use Case-s végső projekttől

  • Labor: Látószög vagy NLP modell telepítése
  • Életrájú következtetés BANGPy integrációval
  • Pontosság és áthajtási sebesség tesztelése

Összegzés és következő lépések

Követelmények

  • Gépek megértése a gépi tanulás modell szerkezetéről
  • Tapasztalat Python és/vagy C++ használatában
  • Ismerkedés a modell telepítési és gyorsítási koncepciókkal

Célközönség

  • Beágyazott AI fejlesztők
  • ML mérnökök, akik a szélső pontra vagy adatközponthoz telepítenek
  • Fejlesztők, akik kínai AI infrastruktúrákkal dolgoznak
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák