Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Időtartalma 7 órák
Kurzusleírás
Bevezetés a Huawei MI-ökoszisztémájába
- Ascend AI hardver: 310, 910 és 910B chipek
- MindSpore, CANN és a támogató eszközök
- MI-fejlesztési munkafolyamat: a betanítástól a telepítésig
A CANN eszközkészlet megértése
- Mi a CANN, és miért fontos
- Az alapvető összetevők áttekintése (ATC, AscendCL, operátorkönyvtárak)
- A CANN szerepe az MI-következtetési folyamatokban
Kezdő lépések a MindSpore-ral és a CANN-nel
- A környezet beállítása (MindSpore + CANN + Python)
- Alapmodell betanítása a MindSpore-ban
- A modell exportálása és konvertálása az ATC segítségével
Következtetés futtatása Ascend eszközökön
- Az OM modell használata az AscendCL vagy Python API-k segítségével
- Alapvető bemeneti/kimeneti előfeldolgozás
- A modellkimenetek ellenőrzése
Munka más keretrendszerekkel
- A TensorFlow, a PyTorch és az ONNX támogatásának áttekintése
- Támogatott operátorok és korlátozások
- Egyszerű modellkonvertálási bemutató (pl. ONNX-ből OM-be)
A CANN és a MindSpore fejlesztői ökoszisztémájának felfedezése
- Főbb források: dokumentáció, GitHub-tárolók, mintakódok
- A MindSpore Hub és a modelltár áttekintése
- Közösségi fórumok, események és támogatási csatornák
Összefoglalás és a következő lépések
Követelmények
- A gépi tanulás és a mélytanulás alapfogalmainak alapszintű ismerete
- Némi programozási tapasztalat Pythonban
- Nem szükséges korábbi tapasztalat a CANN vagy az Ascend hardver terén
Célközönség
- Gépi tanulással foglalkozó fejlesztők, akik a telepítési munkafolyamatokat szeretnék megismerni
- Diákok vagy kutatók, akik most ismerkednek a Huawei MI-ökoszisztémájával
- MI-keretrendszer-közreműködők és hobbi fejlesztők, akiket a modellgyorsítás érdekel
