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
Huawei AI-ökoszisztéma bevezetése
- Ascend AI-hardver: 310, 910 és 910B áttekintése
- Felső szintű komponensek: MindSpore, CANN, AscendCL
- Ipari pozicionálás és architektúrai elvek
CANN szerepe Huawei AI-stackben
- Mi az a CANN? SDK célja és belső rétegei
- ATC, TBE és AscendCL: modellkompilálás és végrehajtás
- Hogyan támogatja CANN az inferencia optimalizálását és a telepítést
MindSpore áttekintése és architektúrája
- Tanítási és inferencia folyamatok a MindSpore-ban
- Grafikus mód, PyNative és hardver absztrakció
- Integráció Ascend NPU-val CANN backenden keresztül
AI életciklus Ascend-ben: Tanítás a telepítésig
- Modell létrehozása a MindSpore-ban vagy más keretrendszerekből történő átalakítás
- Modell exportálása és kompilálása ATC segítségével
- Telepítés Ascend-hardveren OM-modellekkel és AscendCL-lel
Összehasonlítás más AI-stackekkel
- MindSpore vs. PyTorch, TensorFlow: fókusz és pozicionálás
- Telepítési folyamatok Ascend-en vs. GPU-alapú stackek
- Lehetőségek és korlátok vállalkozati használatra
Vállalkozati integrációs jelenetek
- Alkalmazási esetek intelligens gyártásban, kormány AI-ban és távközlésben
- Skálázhatóság, megfelelőség és ökoszisztéma kérdések
- Huawei stack használata felhő/önkormányzati hibrid telepítéshez
Összegzés és következő lépések
Követelmények
- Ismerősség az AI munkafolyamatokkal vagy platformarchitektúrával
- Alapvető tudás a modellkiképzés és -bevezetés terén
- Nem szükséges előzetes gyakorlati tapasztalat CANN vagy MindSpore használatában
Célközönség
- AI platformok értékelői és infrastruktúra architektusok
- AI/ML DevOps integrátorok és pipeline integrátorok
- Technológiai menedzserek és döntéshozók
14 Órák