Kursplan

Introduktion till Huaweis AI-ekosystem

  • Ascend AI-hardvara: Översikt över 310, 910 och 910B
  • Högre nivåkomponenter: MindSpore, CANN, AscendCL
  • Industripositionering och arkitekturprinciper

Rollen för CANN i Huaweis AI-stack

  • Vad är CANN? SDK-syfte och interna lager
  • ATC, TBE och AscendCL: kompilering och exekvering av modeller
  • Hur CANN stöder inferensoptimering och distribution

Översikt och arkitektur för MindSpore

  • Tränings- och inferensarbetsflöden i MindSpore
  • Grafisk läge, PyNative och hårdvaruabstraktion
  • Integration med Ascend NPU via CANN backend

AI-livscykel på Ascend: Från träning till distribution

  • Skapande av modeller i MindSpore eller konvertering från andra ramverk
  • Exportering och kompilering av modeller med ATC
  • Distribution på Ascend-hårdvara med OM-modeller och AscendCL

Jämförelse med andra AI-stackar

  • MindSpore vs. PyTorch, TensorFlow: fokus och positionering
  • Distributionsarbetsflöden på Ascend vs. GPU-baserade stackar
  • Möjligheter och begränsningar för företagsanvändning

Företagsintegrationsscenarier

  • Användningsfall inom smarta tillverkning, statens AI och telekom
  • Skalbarhet, överensstämmelse och ekosystemöverväganden
  • Hybriddistribution i moln/på plats med Huaweis stack

Sammanfattning och nästa steg

Krav

  • Kunskap om AI-arbetsflöden eller plattformarkitektur
  • Grundläggande förståelse för modellträning och distribution
  • Inga tidigare erfarenheter av CANN eller MindSpore krävs

Målgrupp

  • Bedömare av AI-plattformar och infrastrukturarkitekter
  • AI/ML DevOps och integratörer av rörledningar
  • Teknologiledare och beslutsfattare
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier