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 CV-/NLP-implementation med CANN
- Livscykel för AI-modeller från träning till implementering
- Väsentliga prestandaförhållanden för realtidsbaserade CV och NLP
- Översikt över CANN SDK-verktyg och deras roll i modellintegration
Förberedelse av CV- och NLP-modeller
- Exportera modeller från PyTorch, TensorFlow och MindSpore
- Hantera modellens in-/utmatning för bild- och textuppgifter
- Använda ATC för att konvertera modeller till OM-format
Implementering av slutledningspipelines med AscendCL
- Kör CV-/NLP-slutledning med AscendCL-API:t
- Förbehandlingspipelines: bildskala, tokenisering, normalisering
- Efterbehandling: ramar, klassificeringsscorar, textutmatning
Tekniker för prestandaoptimering
- Profilerande CV- och NLP-modeller med CANN-verktyg
- Minska latens med blandad precision och batchjustering
- Hantera minne och beräkning för strömningsuppgifter
Användningsfall för datorseende
- Fallstudie: Objektdetektering för smart övervakning
- Fallstudie: Visuell kvalitetskontroll i tillverkning
- Byggning av live-videok analyspipelines på Ascend 310
Användningsfall för NLP
- Fallstudie: Sentimentanalys och avsiktsdetektering
- Fallstudie: Dokumentklassificering och sammanfattning
- Realtidsbaserad NLP-integration med REST-API:er och meddelandepipelines
Sammanfattning och nästa steg
Krav
- Kännedom till djupinlärning för datorseende eller NLP
- Erfarenhet av Python och AI-ramverk som TensorFlow, PyTorch eller MindSpore
- Grundläggande förståelse för modellimplementering eller slutledningsflöden
Målgrupp
- Datorseende- och NLP-specialister som använder Huaweis Ascend-plattform
- Datavetare och AI-ingenjörer som utvecklar realtidsbaserade uppfattningsmodeller
- Utvecklare som integrerar CANN-pipelines i tillverkning, övervakning eller mediak analys
