Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do nasazování CV/NLP s CANN
- Životní cyklus AI modelu od školení po nasazení
- Klíčové závažné aspekty pro reálný čas CV a NLP
- Přehled nástrojů SDK CANN a jejich role v integraci modelů
Příprava CV a NLP Modelů
- Export modelů z PyTorch, TensorFlow a MindSpore
- Správa vstupů/výstupů modelu pro úlohy obrázků a textů
- Použití ATC k převodu modelů do formátu OM
Nasazování Inference Pipeline pomocí AscendCL
- Spouštění CV/NLP inference pomocí API AscendCL
- Preprocessing pipeline: změna velikosti obrázků, tokenizace, normalizace
- Postprocessing: bounding boxes, skóre klasifikací, textový výstup
Techniky optimalizace výkonu
- Profiling CV a NLP modelů pomocí nástrojů CANN
- Redukce latence s mixovanou přesností a nastavením dávek
- Správa paměti a výpočetní kapacity pro streamovací úlohy
Computer Vision Use Case
- Studie případů: detekce objektu pro inteligentní dozor
- Studie případů: vizuální kontrola kvality v výrobě
- Vytváření živých analýz video streamů na Ascend 310
NLP Use Case
- Studie případů: analyza nálady a detekce úmyslů
- Studie případů: klasifikace dokumentů a shrnutí
- Integrace NLP v reálném čase s REST API a systémy zpráv
Shrnutí a další kroky
Požadavky
- Znalostí s hlubokým učením pro počítačové vidění nebo jazykovou zpracování (NLP)
- Zkušenosti s Python a AI rámci jako TensorFlow, PyTorch nebo MindSpore
- Základní znalost nasazování modelů nebo průběhů odvodování (inference)
Cílová skupina
- Praktikanti v oblasti počítačového vidění a NLP, kteří používají platformu Huawei Ascend
- Datoví vědci a AI inženýři vyvíjící modely v reálném čase pro detekci a rozpoznávání
- Vývojáři integrující CANN zpracovací řetězce (pipelines) v průmyslu, přehlídkách nebo analytice médií
14 hodiny
Reference (1)
I genuinely enjoyed the hands-on approach.
