Návrh Školení

Úvod do Edge AI a optimalizace modelů

  • Pochopení hraničního výpočtu a AI úloh
  • Rozhodování: výkon vs. omezení zdrojů
  • Přehled strategií optimalizace modelů

Výběr modelu a přednatréning

  • Výběr lehkých modelů (např. MobileNet, TinyML, SqueezeNet)
  • Pochopení architektur modelů vhodných pro hraniční zařízení
  • Použití přednatrenovaných modelů jako základu

Fine-Tuning a přenosové učení

  • Principy přenosového učení
  • Adaptace modelů pro vlastní sady dat
  • Praktické pracovní postupy fine-tuningu

Kvantizace modelu

  • Post-tréninková kvantizační technika
  • Kvantizačně vědomý tréning
  • Evaluační a omezení

Škálování modelu a komprese

  • Strategie škálování (strukturované vs. nestrukurované)
  • Komprese a sdílení váh
  • Benchmarkování komprimovaných modelů

Rámce pro nasazení a nástroje

  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Kompatibilita hraničního hardwaru a prováděcího prostředí
  • Řetězce nástrojů pro nasazení na různých platformách

Praktické nasazování

  • Nasazování do Raspberry Pi, Jetson Nano a mobilních zařízení
  • Profiling a benchmarking
  • Řešení problémů při nasazování

Shrnutí a další kroky

Požadavky

  • Přehled základů strojového učení
  • Zkušenosti s Python a frameworky hlubokého učení
  • Familiarita s vloženými systémy nebo omezeními zařízení na okraji

Cílová skupina

  • Vývojáři AI pro vložené zařízení
  • Speciálisté v oblasti edge computing
  • Inženýři strojového učení zaměření na nasazování na okraji
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie