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

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák