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 Huaweis AI-ecosystem
- Ascend AI-hårdvara: 310, 910 och 910B-chipset
- MindSpore, CANN och stödbibliotek
- AI-utvecklingsflöde: från träning till distribution
Förståelse för CANN-verktyget
- Vad är CANN och varför är det viktigt
- Översikt över kärnkomponenter (ATC, AscendCL, operatorbibliotek)
- Rollen för CANN i AI-inferenspipelines
Komma igång med MindSpore och CANN
- Konfigurering av miljö (MindSpore + CANN + Python)
- Träning av en grundläggande modell i MindSpore
- Exportering och konvertering av modellen med ATC
Kör inferens på Ascend-enheter
- Användning av OM-modellen med AscendCL eller Python API:er
- Grundläggande inmatnings-/utmatningsförbehandling
- Validering av modellutdata
Arbete med andra ramverk
- Översikt över stöd för TensorFlow, PyTorch och ONNX
- Stödda operatörer och begränsningar
- Enkel modellkonverteringsdemo (t.ex. från ONNX till OM)
Utforska CANN och MindSpore-utvecklar-ecosystemet
- Viktiga resurser: dokumentation, GitHub-förråd, exempelkod
- Översikt över MindSpore Hub och modellzoo
- Community-forum, evenemang och supportkanaler
Sammanfattning och nästa steg
Krav
- Grundläggande förståelse för maskininlärnings- och djupinlärningskoncept
- Någon programmeringserfarenhet med Python
- Inga tidigare erfarenheter med CANN eller Ascend-hårdvara krävs
Målgrupp
- Maskininlärningsutvecklare som utforskar distributionsarbetsflöden
- Studenter eller forskare nya för Huaweis AI-ecosystem
- AI-ramverkskontribuenter och hobbister intresserade av modellacceleration
7 timmar