Návrh Školení

Úvod do AI ekosystému Huawei

  • Ascend AI hardware: přehled 310, 910 a 910B
  • Základní komponenty: MindSpore, CANN, AscendCL
  • Industriální pozice a architektonické principy

Role CANN v AI vrstvě Huawei

  • Co je CANN? Cíl SDK a interní vrstvy
  • ATC, TBE a AscendCL: kompilace a spuštění modelů
  • Jak CANN podporuje optimalizaci inferencí a nasazení

Přehled a architektura MindSpore

  • Pracovní postupy pro školení a inferenci v MindSpore
  • Režim grafu, PyNative a abstrakce hardwaru
  • Integrace s Ascend NPU prostřednictvím back-end CANN

AI životní cyklus na Ascend: od školení k nasazení

  • Vytvoření modelu v MindSpore nebo převod ze jiných frameworků
  • Export a kompilace modelů pomocí ATC
  • Nasazení na Ascend hardwaru s využitím OM modelů a AscendCL

Srovnání se jinými AI vrstvami

  • MindSpore vs. PyTorch, TensorFlow: zaměření a pozice
  • Pracovní postupy nasazení na Ascend proti GPU-založeným vrstvám
  • Možnosti a omezení pro podnikové použití

Scénáře integrace do podniku

  • Případné využití ve smart manufacturing, vládním AI a telekomunikacích
  • škálovatelnost, soulad s předpisy a zvažování ekosystému
  • Hybridní nasazení ve cloudu nebo na místě pomocí Huawei vrstvy

Závěr a další kroky

Požadavky

  • Familiarita s pracovními postupy AI nebo architekturou platformy
  • Základní znalost trénování a nasazování modelů
  • Není vyžadován žádný předchozí praktický zážitek s CANN nebo MindSpore

Cílová skupina

  • Hodnotitelé AI platform a architekti infrastruktury
  • Integrátoři AI/ML DevOps a pipeline
  • Manažeři technologií a rozhodovatelé
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie