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

Antall deltakere


Price per participant

Upcoming Courses

Related Categories