Kom i kontakt
 Varaktighet 14 timmar

Kursplan

Introduktion till Edge AI och Ascend 310

  • Översikt över Edge AI: trender, begränsningar och tillämpningar
  • Arkitektur för Huawei Ascend 310-chippen och den stödda verktygsförsamlingen
  • Positioneringen av CANN inom stacken för Edge AI-implementering

Modellförberedelse och konvertering

  • Export av tränade modeller från TensorFlow, PyTorch och MindSpore
  • Användning av ATC för att konvertera modeller till OM-format för Ascend-enheter
  • Hantering av opstadiga operationer och strategier för lättviktsgonvertering

Utveckling av inferensflöden med AscendCL

  • Användning av AscendCL-API:t för att köra OM-modeller på Ascend 310
  • Förbehandling av indata/utdata, minneshantering och enhetsskick
  • Implementering inom inbäddade behållare eller lätta körtidsmiljöer

Optimering för begränsningar vid kanten

  • Minskning av modellstorlek, justering av precision (FP16, INT8)
  • Användning av CANN-profilern för att identifiera flaskhalsar
  • Hantering av minneslayout och dataströmmar för prestanda

Implementering med MindSpore Lite

  • Användning av MindSpore Lite-körningsmiljö för mobila och inbäddade plattformar
  • Jämförelse av MindSpore Lite med renodlad AscendCL-flöde
  • Paketisering av inferensmodeller för enhetsspecifik implementering

Implementeringsscenarier och fallstudier vid kanten

  • Fallstudie: smart kamera med objektdetektionmodell på Ascend 310
  • Fallstudie: realtidsskattering i en IoT-sensorhub
  • Övervakning och uppdatering av implementerade modeller vid kanten

Sammanfattning och nästa steg

Krav

  • Erfarenhet av AI-modellutveckling eller implementeringsflöden
  • Grundläggande kunskap om inbäddade system, Linux och Python
  • Kännedom om djupinlärningsramverk såsom TensorFlow eller PyTorch

Målgrupp

  • IoT-lösningensutvecklare
  • Inbäddade AI-ingenjörer
  • Systemintegratörer vid kanten och specialister inom AI-implementering

Antal deltagare


Pris per deltagare

Vittnesmål (1)

Kommande Kurser

Relaterade Kategorier