Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a Huawei AI-ökoszisztémájába
- Ascend AI hardver: 310, 910 és 910B áttekintés
- Magas szintű összetevők: MindSpore, CANN, AscendCL
- Iparági pozicionálás és architekturális elvek
A CANN szerepe a Huawei AI stackjében
- Mi az a CANN? Az SDK célja és belső rétegei
- ATC, TBE és AscendCL: modellek fordítása és végrehajtása
- Hogyan támogatja a CANN az inferencia-optimalizálást és az üzembe helyezést
A MindSpore áttekintése és architektúrája
- Tanítási és inferencia-munkafolyamatok a MindSpore-ban
- Graph mode, PyNative és hardverabsztrakció
- Integráció az Ascend NPU-val a CANN backend segítségével
AI-életciklus az Ascenden: a tanítástól az üzembe helyezésig
- Modellkészítés a MindSpore-ban vagy konvertálás más keretrendszerekből
- Modellek exportálása és fordítása az ATC használatával
- Üzembe helyezés Ascend hardveren OM-modellek és AscendCL segítségével
Összehasonlítás más AI-stackekkel
- MindSpore vs. PyTorch, TensorFlow: fókusz és pozicionálás
- Üzembe helyezési munkafolyamatok Ascenden vs. GPU-alapú stackeken
- Lehetőségek és korlátok vállalati használatra
Vállalati integrációs forgatókönyvek
- Használati esetek az intelligens gyártásban, a kormányzati AI-ban és a távközlésben
- Skálázhatósági, megfelelőségi és ökoszisztéma-megfontolások
- Felhő/on-prem hibrid üzembe helyezés a Huawei stack használatával
Összefoglalás és következő lépések
Követelmények
- AI-munkafolyamatok vagy platformarchitektúra ismerete
- Alapvető ismeretek a modelltanításról és üzembe helyezésről
- Nincs szükség korábbi gyakorlati tapasztalatra a CANN-nal vagy a MindSpore-ral
Célközönség
- AI-platformértékelők és infrastruktúra-építészek
- AI/ML DevOps és pipeline-integrátorok
- Technológiai vezetők és döntéshozók
14 Órák
