Kursplan

Innføring i Edge AI og Nano Banana

  • Hovedkarakteristikkene ved edge-AI-arbeidslast
  • Nano Bananas arkitektur og kapasiteter
  • Sammenligning av edge vs. skydistribusjonstrategier

Forberedelse av modeller for Edge-distribusjon

  • Modellvalg og grunnleggende evaluering
  • Avhengighets- og kompatibilitetsovervegelser
  • Eksport av modeller for videre optimalisering

Modellkomprimeringsteknikker

  • Pruning-strategier og strukturell sparsitet
  • Vektandeling og parameterreduksjon
  • Evaluering av komprimeringspåvirkninger

Kvantisering for Edge-prestande

  • Post-trening kvantiseringsteknikker
  • Kvantiseringsbare treningarbeidsflyter
  • INT8, FP16 og blandingsoverpresisjonsmetoder

Akselerasjon med Nano Banana

  • Bruk av Nano Bananas akseleratører
  • Integrering av ONNX og hardwarereserver
  • Benchmarking av akselerert inferens

Distribusjon til Edge-enheter

  • Integrering av modeller i inbyggede eller mobilapplikasjoner
  • Runtime-konfigurering og overvåking
  • Felsøkning av distribusjonsproblemer

Prestandeprofilering og trade-off-analyse

  • Latens, gennomstrømning, og termiske begrensninger
  • Nøyaktighets- vs. prestandetrade-offs
  • Iterativ optimaliseringsstrategier

Beste praksis for vedlikehold av Edge-AI-systemer

  • Versionering og kontinuerlige oppdateringer
  • Modellrollback og kompatibilitetsbehandling
  • Sikkerhets- og integritetsvurderinger

Oppsummering og neste trinn

Krav

  • Forståelse for maskinlæringsarbeidsflyt
  • Erfaring med Python-basert modellutvikling
  • Kjenner til neurale nettverksarkitekturer

Målgruppe

  • ML-ingeniører
  • Datasvitere
  • MLOps-praktikere
 14 Timer

Antall deltakere


Pris per deltaker

Referanser (1)

Kommende kurs

Relaterte kategorier