Kursplan

Introduktion till Edge AI och modelloptimering

  • Förståelse för edge computing och AI-arbetsbelastningar
  • Kompromisser: prestanda vs. resursbegränsningar
  • Översikt över modelloptimeringstekniker

Modellval och förtränande

  • Val av lättviktsmodeller (t.ex., MobileNet, TinyML, SqueezeNet)
  • Förståelse för modellarkitekturer lämpliga för edge-enheter
  • Användning av förtränade modeller som bas

Fine-Tuning och överföringsinlärning

  • Principer för överföringsinlärning
  • Anpassning av modeller till egna datamängder
  • Praktiska finjusteringar

Modellkvantiation

  • Tekniker för kvantisering efter tränande
  • Kvantitetsmedveten träning
  • Utvärdering och kompromisser

Modellbeskärning och komprimering

  • Beskärningstekniker (strukturerad vs. ostrukturerad)
  • Komprimering och viktdelning
  • Benchmarking av komprimerade modeller

Distributionsramverk och verktyg

  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Kompatibilitet med edge-hardvara och körmiljöer
  • Verktygskedjor för plattformsoberoende distribution

Praktisk distribution

  • Distribution till Raspberry Pi, Jetson Nano och mobila enheter
  • Profilering och benchmarking
  • Felsökning av distributionsproblem

Sammanfattning och nästa steg

Krav

  • Förståelse för grunderna i maskininlärning
  • Erfarenhet av Python och djupinlärningsramverk
  • Kännedom om inbyggda system eller begränsningar för kant-enhet

Målgrupp

  • Utvecklare av inbyggd AI
  • Specialister inom edge-bearbetning
  • Maskininlärningstekniker som fokuserar på kant-deplojering
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier