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.
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