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-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