Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Introduksjon til CV/NLP-utlevering med CANN
- Livssyklus for AI-modeller fra trening til levering
- Viktige prestandeforstyrrelser for sanntids CV og NLP
- Oversikt over CANN SDK-verktøy og deres rolle i modellintegrasjon
Forberedelse av CV- og NLP-modeller
- Eksport av modeller fra PyTorch, TensorFlow og MindSpore
- Håndtering av modellinnganger/-utganger for bilde- og tekstoppgaver
- Bruk av ATC for å konvertere modeller til OM-format
Levering av inferanse-pipelines med AscendCL
- Kjøring av CV/NLP-inferanse ved bruk av AscendCL-API
- Forbehandling-pipelines: bildestørrelseskaling, tokenisering, normalisering
- Etterbehandling: innskråper, klassifiseringsskor, tekstutdata
Teknikk for prestandeoptimalisering
- Profilerer CV- og NLP-modeller ved hjelp av CANN-verktøy
- Redusere latens med blandet presisjon og batchjustering
- Håndtering av minne og beregning for strømmingsoppgaver
Bruksscenarier for dataviden
- Casestudy: objekt-deteksjon for smart overvåking
- Casestudy: visuell kvalitetskontroll i produksjon
- Bygge live videoanalyse-pipelines på Ascend 310
Bruksscenarier for NLP
- Casestudy: stemningsanalyse og intensdeteksjon
- Casestudy: dokumentklassifisering og sammendragning
- Sanntids NLP-integrasjon med REST API-er og meldingssystemer
Oppsummering og neste steg
Krav
- Kunnskaper om dyp læring for dataviden eller NLP
- Erfaring med Python og AI-rammeverk som TensorFlow, PyTorch eller MindSpore
- Grunnleggende forståelse av modellutlevering eller inferanseflyt
Målgruppe
- Datavide- og NLP-profesjonelle som bruker Huaweis Ascend-plattform
- Dataingeniører og AI-ingeniører som utvikler sanntidspersepsjonsmodeller
- Utviklere som integrerer CANN-pipelines i produksjon, overvåking eller medieanalyse
14 Timer
