Kurzusleírás

Bevezetés a Huawei AI ökoszisztémájába

  • Ascend AI hardver: 310, 910 és 910B áttekintés
  • Magas szintű komponensek: MindSpore, CANN, AscendCL
  • Ipari pozicionálás és architektúra elvek

A CANN szerepe a Huawei AI stackben

  • Mi a CANN? SDK célja és belső rétegek
  • ATC, TBE és AscendCL: modellek fordítása és végrehajtása
  • Hogyan támogatja a CANN az inferencia optimalizálást és üzembe helyezést

A MindSpore áttekintése és architektúrája

  • Képzési és inferencia munkafolyamatok a MindSpore-ban
  • Graph mód, PyNative és hardver absztrakció
  • Integráció az Ascend NPU-val a CANN backend segítségével

AI életciklus az Ascend-en: képzésből üzembe helyezésig

  • Modell létrehozása a MindSpore-ban vagy konvertálás más keretrendszerekből
  • Modellek exportálása és fordítása az ATC segítségével
  • Üzembe helyezés Ascend hardveren OM modellek és AscendCL használatával

Összehasonlítás más AI stackekkel

  • MindSpore vs. PyTorch, TensorFlow: fókusz és pozicionálás
  • Üzembe helyezési munkafolyamatok az Ascend-en vs. GPU-alapú stackek
  • Lehetőségek és korlátok vállalati használatra

Vállalati integrációs forgatókönyvek

  • Használati esetek az intelligens gyártásban, kormányzati AI-ban és telekommunikációban
  • Skálázhatóság, megfelelőség és ökoszisztéma szempontok
  • Felhő/helyszíni hibrid üzembe helyezés a Huawei stack használatával

Összefoglalás és következő lépések

Követelmények

  • Ismeret az AI munkafolyamatokkal vagy platform architektúrával
  • Alapvető ismeret a modellképzésről és üzembe helyezésről
  • Nem szükséges előzetes gyakorlati tapasztalat a CANN vagy a MindSpore területén

Célközönség

  • AI platform értékelők és infrastruktúra építészek
  • AI/ML DevOps és folyamatintegrátorok
  • Technológiai menedzserek és döntéshozók
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák