Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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