Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Varaktighet 14 timmar
Kursplan
Introduktion till Huawei:s AI-ekosystem
- Ascend AI-hårdvara: Översikt över 310, 910 och 910B
- Högnivåkomponenter: MindSpore, CANN, AscendCL
- Branschpositionering och arkitekturprinciper
CANN:s roll i Huawei:s AI-stack
- Vad är CANN? SDK:ets syfte och interna lager
- ATC, TBE och AscendCL: Kompilering och exekvering av modeller
- Hur CANN stödjer inferensoptimering och implementering
MindSpore: Översikt och arkitektur
- Tränings- och inferensflöden i MindSpore
- Graph mode, PyNative och hårdvaruabstraktion
- Integration med Ascend NPU via CANN-bakände
AI-livcykel på Ascend: Från träning till implementering
- Skapande av modeller i MindSpore eller konvertering från andra ramverk
- Exportering och kompilering av modeller med hjälp av ATC
- Implementering på Ascend-hårdvara med hjälp av OM-modeller och AscendCL
Jämförelse med andra AI-stacks
- MindSpore vs. PyTorch och TensorFlow: Fokus och positionering
- Implementeringsflöden på Ascend vs. GPU-baserade stacks
- Möjligheter och begränsningar för företagets användning
Scenarier för företagsintegration
- Användningsfall inom smart tillverkning, statsnära AI och telekom
- Skalerbarhet, regelverk och ekosystemöverväganden
- Hybridimplementering i moln/på plats med hjälp av Huawei-stacken
Sammanfattning och nästa steg
Krav
- Bekantskap med AI-flöden eller plattformskaritektur
- Grundläggande förståelse för modellträning och implementering
- Inga tidigare praktiska erfarenheter av CANN eller MindSpore krävs
Målgrupp
- Utvärderare av AI-plattformar och infrastrukturarkitekter
- AI/ML DevOps och integratörer av pipelineflöden
- Teknologichefar och beslutsfattare
