Kurzusleírás

Bevezetés az Edge AI-hoz és a modelloptimalizáláshoz

  • Edge computing és AI munkafolyamatok megértése
  • Kompromisszumok: teljesítmény vs. erőforráskorlátok
  • Modelloptimalizálási stratégiák áttekintése

Modellkiválasztás és előtanítás

  • Válogatás könnyű modellről (pl. MobileNet, TinyML, SqueezeNet)
  • Modellarchitektúrák megértése, amelyek alkalmasak edge eszközök számára
  • Előtanított modellek használata alapul

Fine-Tuning és átviási tanulás

  • Az átviási tanulás elvei
  • Modellek alkalmazása saját adathalmazokra
  • Pratikus finomhangolási folyamatok

Modellkvantizálás

  • Kvantizálási technikák az előtanítás után
  • Kvantizálás tudatosan tanítás alatt
  • Kiértékelés és kompromisszumok

Modellvágás és összenyomás

  • Vágási stratégiák (szervezett vs. nem szervezett)
  • Összenyomás és súlyosztás
  • Összenyomott modellek teljesítmény mérése

Telepítési keretrendszerek és eszközök

  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Edge hardverek kompatibilitása és futtatási környezetek
  • Eszközkészletek többplatformos telepítéshez

Pratikus telepítés

  • Telepítés Raspberry Pi, Jetson Nano, és mobil eszközökre
  • Profilozás és teljesítmény mérése
  • Telepítési problémák megoldása

Összegzés és Következő lépések

Követelmények

  • A gépesített tanulás alapjainak megértése
  • Tapasztalat Python-al és mélytanulási keretekkel
  • Ismeret az embedded rendszerek vagy edge eszköz korlátozásokkal

Audience

  • Embedded AI fejlesztők
  • Edge számítás szakemberek
  • Gépesített tanulás mérnökök, akik az edge telepítésre koncentrálnak
 14 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák