Kursplan

Introduktion till Edge AI och Modelloptimering
  • Förståelse av edge computing och AI-arbetsbelastningar
  • Avvägningar: prestanda mot resursbegränsningar
  • Översikt över strategier för modelloptimering
Modellval och förtränande
  • Val av lättviktsmodeller (t.ex., MobileNet, TinyML, SqueezeNet)
  • Förståelse av modellarkitekturer lämpliga för edge-enheter
  • Användning av förtränade modeller som bas
Fine-Tuning och Överföringsinlärning
  • Grunder i överföringsinlärning
  • Anpassning av modeller till egna dataset
  • Praktiska arbetssätt för finjustering
Modelkvantisering
  • Tekniker för kvantisering efter träning
  • Kvantiseringen som är medveten om träning
  • Utvärdering och avvägningar
Modeltrimming och komprimering
  • Trimmingstrategier (strukturerad vs. ostrukturerad)
  • Komprimering och viktsdelning
  • Bänkning av komprimerade modeller
Distributionsramverk och verktyg
  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Kompatibilitet med edge-hårdvara och körmiljöer
  • Verktygskedjor för plattformsoberoende distribution
Hands-on-distribution
  • Distribution till Raspberry Pi, Jetson Nano och mobila enheter
  • Profilering och bänkning
  • Felhantering vid distributionsproblem
Sammanfattning och nästa steg

Krav

  • En förståelse för grunderna i maskininlärning
  • Erfarenhet av Python och djupinlärningsramverk
  • Kännedom om begränsningar för inbyggda system eller kant-enheter

Målgrupp

  • Utvecklare av inbyggd AI
  • Specialister inom edge computing
  • Maskininlärningsingenjörer som fokuserar på edge-deployering
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier