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 pomocí CANN
- Životní cyklus AI modelů od trénování po nasazení
- Klíčové úvahy o výkonu pro real-time CV a NLP
- Přehled nástrojů CANN SDK a jejich role v integraci modelů
Příprava modelů CV a NLP
- Exportování modelů z PyTorch, TensorFlow a MindSpore
- Zpracování vstupů a výstupů modelů pro úkoly obrázků a textu
- Použití ATC k převodu modelů do formátu OM
Nasazování inferenčních potoků pomocí AscendCL
- Spouštění CV/NLP inferenční pomocí rozhraní AscendCL API
- Předzpracování potoků: zmenšování obrázků, tokenizace, normalizace
- Po zpracování: ohraničující rámečky, skóre klasifikace, textový výstup
Techniky optimalizace výkonu
- Profilování CV a NLP modelů pomocí nástrojů CANN
- Snižování latence pomocí smíšené precision a ladění batchů
- Správa paměti a výpočetního výkonu pro streamovací úkoly
Případy použití počítačového vidění
- Případová studie: detekce objektů pro chytrý dohled
- Případová studie: kontrola vizuální kvality ve výrobě
- Tvorba živých pipeline analytiky videa na Ascend 310
Případy použití NLP
- Případová studie: analýza sentimentu a detekce záměru
- Případová studie: klasifikace dokumentů a shrnování
- Real-time integrace NLP s REST API a zpravodajskými systémy
Shrnutí a další kroky
Požadavky
- Znalost hlubokého učení pro počítačové vidění nebo NLP
- Zkušenosti s Pythonem a AI frameworky, jako jsou TensorFlow, PyTorch nebo MindSpore
- Základní pochopení nasazování modelů nebo inferenčních pracovních toků
Cílová skupina
- Praktici v oblasti počítačového vidění a NLP využívající platformu Huawei Ascend
- Data scientisti a AI inženýři vyvíjející real-time modely vnímání
- Vývojáři integrující CANN potoky v odvětví výroby, dohledu nebo analytice médií
14 Hodiny
