Kom i kontakt

Kursplan

Introduktion till Edge AI och Nano Banana

  • Grundläggande egenskaper hos edge-AI-bearbetningsbelastningar
  • Nanos Bananas arkitektur och funktioner
  • Jämförelse av deployment-strategier för edge kontra moln

Förberedelse av modeller för edge-deployment

  • Modellval och bedömning av baslinjedata
  • Överväganden gällande beroenden och kompatibilitet
  • Export av modeller för ytterligare optimering

Tekniker för modellkomprimering

  • Besikningsstrategier och strukturell sparsamhet
  • Viktdelning och parameterreducering
  • Bedömning av effekterna av komprimering

Kvantisering för edge-prestanda

  • Metoder för kvantisering efter träning
  • Träningsflöden med hänsyn till kvantisering
  • Metoder för INT8, FP16 och blandad precision

Acceleration med Nano Banana

  • Användning av Nanos Bananas accelerators
  • Integrering av ONNX och hårdvarubackends
  • Benchmarkning av accelererad inferens

Deployment till edge-enheter

  • Integrering av modeller i inbäddade eller mobila appar
  • Konfiguration och övervakning vid körning
  • Felsökning av problem vid deployment

Prestandaprofilering och analys av avvägningar

  • Latens, genomströmning och termiska begränsningar
  • Avvägningar mellan noggrannhet och prestanda
  • Strategier för iterativ optimering

Rekommenderade rutiner för underhåll av Edge-AI-system

  • Versionhantering och kontinuerliga uppdateringar
  • Återställning av modeller och hantering av kompatibilitet
  • Säkerhets- och integritetsspörsmål

Sammanfattning och nästa steg

Krav

  • Kunskaper om machine learning-flöden
  • Erfarenhet av modellutveckling baserad på Python
  • Kännedom om neurala nätverksarkitekturer

Målgrupp

  • ML-ingenjörer
  • Datavetare
  • MLOps-specialister
 14 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (1)

Kommande Kurser

Relaterade Kategorier