Kursplan

Introduktion till CANN och Ascend AI-processorer

  • Vad är CANN? Roll i Huaweis AI-bearbetningsstack
  • Översikt över Ascend-processorarkitektur (310, 910 etc.)
  • Översikt över stödda AI-ramverk och verktygslänkar

Modellkonvertering och kompilering

  • Användning av ATC-verktyget för modellkonvertering (TensorFlow, PyTorch, ONNX)
  • Skapande och validering av OM-modellfiler
  • Hantering av ovanliga operatörer och vanliga konverteringsproblem

Distribuering med MindSpore och andra ramverk

  • Distribuering av modeller med MindSpore Lite
  • Integration av OM-modeller med Python API:er eller C++ SDK:er
  • Arbetet med Ascend Model Manager

Prestandaoptimering och profilering

  • Förståelse för AI Core, minnes- och tegeloptimeringar
  • Profilering av modellkörning med CANN verktyg
  • Bästa praxis för att förbättra inferenshastighet och resursanvändning

Felsökning och felsökning

  • Vanliga distributionsfel och deras lösning
  • Läsning av loggar och användning av felsökningsverktyget
  • Enhetsprovning och funktionsvalidering av distribuerade modeller

Edge- och molndistributionsscenarier

  • Distribuering till Ascend 310 för edge-applikationer
  • Integration med molnbaserade API:er och mikrotjänster
  • Verkliga fallstudier inom datorseende och NLP

Sammanfattning och nästa steg

Krav

  • Erfarenhet av Python-baserade djupinlärningsramverk såsom TensorFlow eller PyTorch
  • Förståelse för neurala nätverksarkitekturer och modellträningsarbetsflöden
  • Grundläggande kännedom om Linux CLI och skriptning

Målgrupp

  • AI-ingenjörer som arbetar med modellimplementering
  • Maskininlärningspraktiker som riktar in sig på hårdvaruacceleration
  • Djupinlärningsutvecklare som bygger inferenslösningar
 14 timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier