Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Időtartalma 14 órák
Kurzusleírás
Bevezetés a számítógépes látási/NLP-telepítésbe a CANN-nel
- A mesterségesintelligencia-modell életciklusa a betanítástól a telepítésig
- A valós idejű számítógépes látás és NLP legfontosabb teljesítménybeli szempontjai
- A CANN SDK eszközeinek és a modellintegrációban betöltött szerepüknek áttekintése
Számítógépes látási és NLP-modellek előkészítése
- Modellek exportálása PyTorchból, TensorFlow-ból és MindSpore-ból
- A modellbemenetek/-kimenetek kezelése kép- és szöveges feladatokhoz
- Az ATC használata a modellek OM formátumba konvertálásához
Következtetési folyamatok telepítése az AscendCL-lel
- Számítógépes látási/NLP-következtetés futtatása az AscendCL API-val
- Előfeldolgozási folyamatok: képméretezés, tokenizálás, normalizálás
- Utófeldolgozás: határolókeretek, osztályozási pontszámok, szöveges kimenet
Teljesítményoptimalizálási technikák
- Számítógépes látási és NLP-modellek profilozása CANN-eszközökkel
- Késleltetés csökkentése vegyes pontossággal és köteghangolással
- Memória- és számítási erőforrások kezelése streamelési feladatokhoz
Számítógépes látási felhasználási esetek
- Esettanulmány: objektumészlelés intelligens megfigyeléshez
- Esettanulmány: vizuális minőségellenőrzés a gyártásban
- Élő videoanalitikai folyamatok építése Ascend 310-en
NLP-felhasználási esetek
- Esettanulmány: hangulatelemzés és szándékfelismerés
- Esettanulmány: dokumentumosztályozás és összegzés
- Valós idejű NLP-integráció REST API-kkal és üzenetküldő rendszerekkel
Összefoglalás és következő lépések
Követelmények
- A mélytanulás alapjainak ismerete a számítógépes látás vagy az NLP területén
- Python és olyan mesterségesintelligencia-keretrendszerek, mint a TensorFlow, a PyTorch vagy a MindSpore használatában szerzett tapasztalat
- A modelltelepítés vagy a következtetési munkafolyamatok alapvető ismerete
Célközönség
- Számítógépes látással és NLP-vel foglalkozó szakemberek, akik a Huawei Ascend platformját használják
- Adattudósok és mesterségesintelligencia-mérnökök, akik valós idejű észlelési modelleket fejlesztenek
- Fejlesztők, akik CANN-folyamatokat integrálnak gyártási, megfigyelési vagy médiaanalitikai környezetben
