Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduksjon til CANN og Ascend AI-prosessorer
- Hva er CANN? Rollen i Huaweis AI-beregningsstabel
- Oversikt over Ascend-prosessorarkitektur (310, 910, osv.)
- Oversikt over støttede AI-rammeverk og verktøykjede
Modellkonvertering og kompilering
- Bruk av ATC-verktøyet for modellkonvertering (TensorFlow, PyTorch, ONNX)
- Opprettelse og validering av OM-modellfiler
- Håndtering av ustøttede operatører og vanlige konverteringsproblemer
Utplasser med MindSpore og Andre Rammeverk
- Utplassering av modeller med MindSpore Lite
- Integrering av OM-modeller med Python APIer eller C++ SDKer
- Arbeid med Ascend Model Manager
Ytelsesoptimalisering og Profilering
- Forståelse av AI-kjernens, minne- og tilingsoptimaliseringer
- Profilering av modellkjøring med CANN-verktøy
- Best Practices for å forbedre inferenshastighet og ressursbruk
Feilhåndtering og Feilsøking
- Vanlige utplasseringsfeil og deres løsninger
- Lesing av logger og bruk av feildiagnoseverktøyet
- Enhetsprøving og funksjonell validering av utplasserte modeller
Edge- og Skyutplasseringscenarier
- Utplassering til Ascend 310 for edge-applikasjoner
- Integrering med skybaserte APIer og microservices
- Reelle tilfeller innen datamaskinviden og NLP
Oppsummering og Neste Skritt
Krav
- Erfaring med Python-baserte dypelæringsrammeverk som TensorFlow eller PyTorch
- Forståelse av nørvemønsterarkitekturer og modelltreningsarbeidsflyter
- Grunnleggende kjennskap til Linux CLI og scripting
Målgruppe
- AI-ingeniører som arbeider med modelldeployering
- Maskinlæringspraktikere som retter seg mot hardwareakselerasjon
- Dypelæringsutviklere som bygger inferensløsninger
14 timer