Kursplan

Introduktion till Edge AI och modelloptimering

  • Förståelse av edge-beregning och AI-arbetsbelastningar
  • Avvägningar: prestanda vs. resursbegränsningar
  • Översikt över modelloptimeringsstrategier

Modellval och förtraning

  • Välja lättviktiga modeller (t.ex. MobileNet, TinyML, SqueezeNet)
  • Förståelse av modellarkitekturer som är lämpliga för edge-enheter
  • Använda förtränade modeller som bas

Finajustering och överföringsinlärning

  • Grundprinciper för överföringsinlärning
  • Anpassa modeller till anpassade datasnitt
  • Praktiska finjusteringsarbetsflöden

Modellkvantisering

  • Post-training kvantiseringstekniker
  • Kvantiseringsmedvetet tränande
  • Utvärdering och avvägningar

Modellbeskärning och komprimering

  • Beskärningsstrategier (strukurerad vs. ostrukurerad)
  • Komprimering och viktdelning
  • Bänkmärkning av komprimerade modeller

Distriberingsramverk och verktyg

  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Edge-hårdvarukompatibilitet och körningsmiljöer
  • Verktygskedjor för plattformsövergripande distribution

Handpåleken vid distribution

  • Distribuera till Raspberry Pi, Jetson Nano och mobil enheter
  • Profiling och bänkmärkning
  • Felsökning av distribueringsproblem

Sammanfattning och nästa steg

Krav

  • En förståelse för grundläggande maskininlärning
  • Erfarenhet av Python och djupinlärningsramverk
  • Kännedom om inbäddade system eller begränsningar i edge-enheter

Målgrupp

  • Inbäddade AI-utvecklare
  • Edge-beregningsexperter
  • Maskininlärningsingenjörer som fokuserar på edge-distribution
 14 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier