Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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.
