Kurzusleírás

Bevezetés a kis teljesítményű AI-ba

  • Az AI áttekintése beágyazott rendszerekben
  • A mesterséges intelligencia bevezetésének kihívásai alacsony fogyasztású eszközökön
  • Energiahatékony mesterséges intelligencia alkalmazások

Modelloptimalizálási technikák

  • A kvantálás és hatása a teljesítményre
  • Metszés és súlymegosztás
  • Tudásdesztilláció a modell egyszerűsítése érdekében

AI modellek telepítése alacsony fogyasztású hardveren

  • TensorFlow Lite és ONNX Runtime használata az éles AI-hoz
  • AI modellek optimalizálása NVIDIA TensorRT segítségével
  • Hardveres gyorsítás Coral TPU-val és Jetson Nano-val

Energiafogyasztás csökkentése mesterséges intelligencia alkalmazásokban

  • Teljesítményprofilozás és hatékonysági mutatók
  • Alacsony fogyasztású számítási architektúrák
  • Dinamikus teljesítményskálázás és adaptív következtetési technikák

Esettanulmányok és valós alkalmazások

  • AI-működtető akkumulátorral működő IoT-eszközök
  • Kis fogyasztású mesterséges intelligencia az egészségügyhöz és a hordható eszközökhöz
  • Intelligens város és környezetfigyelő alkalmazások

Bevált gyakorlatok és jövőbeli trendek

  • Az éles mesterséges intelligencia optimalizálása a fenntarthatóság érdekében
  • Fejlődések az energiahatékony mesterséges intelligencia hardverében
  • Az alacsony energiaigényű AI-kutatás jövőbeli fejlesztései

Összegzés és a következő lépések

Követelmények

  • A mély tanulási modellek megértése
  • Beágyazott rendszerekkel vagy mesterséges intelligencia bevezetésével kapcsolatos tapasztalat
  • Modelloptimalizálási technikák alapismeretei

Közönség

  • AI mérnökök
  • Beágyazott fejlesztők
  • Hardvermérnökök
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák