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 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