Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao CANN e Processadores AI Ascend
- O que é o CANN? Papel na pilha de computação para IA da Huawei
- Visão geral da arquitetura do processador Ascend (310, 910, etc.)
- Visão geral dos frameworks de IA suportados e da caixa de ferramentas (toolchain)
Conversão e Compilação de Modelos
- Uso da ferramenta ATC para conversão de modelos (TensorFlow, PyTorch, ONNX)
- Criação e validação de arquivos de modelo OM
- Tratamento de operadores não suportados e problemas comuns de conversão
Implantação com MindSpore e Outros Frameworks
- Implantação de modelos com MindSpore Lite
- Integração de modelos OM com APIs em Python ou SDKs em C++
- Trabalhando com o Ascend Model Manager
Otimização de Desempenho e Perfilamento (Profiling)
- Compreensão das otimizações de AI Core, memória e tileagem
- Perfilamento da execução do modelo com ferramentas CANN
- Melhores práticas para melhorar a velocidade de inferência e o uso de recursos
Tratamento de Erros e Depuração
- Erros comuns de implantação e suas resoluções
- Leitura de logs e uso da ferramenta de diagnóstico de erros
- Testes unitários e validação funcional de modelos implantados
Cenários de Implantação em Borda e Nuvem
- Implantação no Ascend 310 para aplicações em borda
- Integração com APIs baseadas em nuvem e microsserviços
- Estudos de caso reais em visão computacional e PLN (Processamento de Linguagem Natural)
Resumo e Próximos Passos
Requisitos
- Experiência com frameworks de aprendizado profundo baseados em Python, como TensorFlow ou PyTorch
- Compreensão das arquiteturas de redes neurais e fluxos de trabalho de treinamento de modelos
- Familiaridade básica com CLI do Linux e scripts
Público-Alvo
- Engenheiros de IA que trabalham com implantação de modelos
- Profissionais de machine learning focados em aceleração de hardware
- Desenvolvedores de deep learning construindo soluções de inferência
14 Horas