Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione a CANN e processori AI Ascend
- Cos'è CANN? Ruolo nello stack di calcolo AI di Huawei
- Panoramica dell'architettura dei processori Ascend (310, 910, ecc.)
- Panoramica dei framework AI supportati e della toolchain
Conversione e compilazione dei modelli
- Utilizzo dello strumento ATC per la conversione dei modelli (TensorFlow, PyTorch, ONNX)
- Creazione e validazione dei file di modello OM
- Gestione di operatori non supportati e problemi comuni di conversione
Distribuzione con MindSpore e altri framework
- Distribuzione di modelli con MindSpore Lite
- Integrazione di modelli OM con API Python o SDK C++
- Utilizzo di Ascend Model Manager
Ottimizzazione delle prestazioni e profilazione
- Comprensione di ottimizzazioni AI Core, memoria e tiling
- Profilazione dell'esecuzione dei modelli con strumenti CANN
- Best practice per migliorare la velocità di inferenza e l'utilizzo delle risorse
Gestione degli errori e debug
- Errori comuni di distribuzione e relative risoluzioni
- Lettura dei log e utilizzo dello strumento di diagnosi errori
- Unit testing e validazione funzionale dei modelli distribuiti
Scenari di distribuzione su Edge e Cloud
- Distribuzione su Ascend 310 per applicazioni edge
- Integrazione con API basate su cloud e microservizi
- Studi di casi reali nella visione artificiale e NLP
Riepilogo e prossimi passi
Requisiti
- Esperienza con framework di deep learning basati su Python come TensorFlow o PyTorch
- Comprensione delle architetture di reti neurali e dei flussi di lavoro per l'addestramento dei modelli
- Conoscenza di base della CLI Linux e dello scripting
Target
- Ingegneri AI che lavorano sulla distribuzione dei modelli
- Praticanti del machine learning orientati all'accelerazione hardware
- Sviluppatori di deep learning che creano soluzioni di inferenza
14 ore