Návrh Školení

Úvod do Edge AI a Ascend 310

  • Přehled o Edge AI: trendy, omezení a aplikace
  • Architektura čipu Huawei Ascend 310 a podporovaná nástrojová řada
  • Pozice CANN v hierarchii nasazení AI na okraji

Příprava a konverze modelů

  • Export trénovaných modelů z TensorFlow, PyTorch a MindSpore
  • Použití ATC k převodu modelů do formátu OM pro zařízení Ascend
  • Řešení nepodporovaných operací a lehké strategie konverze

Vývoj inferenčních potrubí pomocí AscendCL

  • Použití API AscendCL k spouštění modelů OM na zařízení Ascend 310
  • Preprocessing vstupu/výstupu, správa paměti a ovládání zařízení
  • Nasazení ve vložených kontejnerech nebo lehkých runtime prostředích

Optimalizace pro omezení na okraji

  • Snížení velikosti modelu, ladění přesnosti (FP16, INT8)
  • Použití profileru CANN pro identifikaci krizových bodů
  • Správa rozvržení paměti a datového streamování pro výkon

Nasazení pomocí MindSpore Lite

  • Použití runtime MindSpore Lite pro mobilní a vložené cíle
  • Porovnání MindSpore Lite s nezpracovaným potrubím AscendCL
  • Balení inferenčních modelů pro nasazení specifických zařízení

Scénáře a případové studie nasazování na okraji

  • Případový scénář: inteligentní kamera s modelem pro detekci objektů na zařízení Ascend 310
  • Případový scénář: reálně časová klasifikace v centrále IoT senzorů
  • Monitorování a aktualizace nasazených modelů na okraji

Shrnutí a další kroky

Požadavky

  • Zkušenosti s vývojem nebo nasazováním AI modelů
  • Základní znalosti o embedded systémech, Linux, a Python
  • Znalost hlubokého učení frameworků jako je TensorFlow nebo PyTorch

Cílová skupina

  • Vývojáři IoT řešení
  • Inženýři AI pro embedded systémy
  • Integrátoři edge systémů a specialisté na nasazování AI
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie