Návrh Školení

Úvod do Edge AI a optimalizace modelů

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

Výběr a předtrénování modelů

  • Volba lehkých modelů (např. MobileNet, TinyML, SqueezeNet)
  • Chápání architektur modelů vhodných pro hraniční zařízení
  • Použití předem trénovaných modelů jako základu

Jemné přizpůsobování a transferové učení

  • Principy transferového učení
  • Přizpůsobení modelů vlastním datovým sadám
  • Praktické pracovní postupy jemného přizpůsobování

Kvantizace modelů

  • Techniky kvantizace po tréninku
  • Kvantizačně připravené trénování
  • Posouzení a kompromisy

Zřezávání a komprese modelů

  • Strategie zřezávání (strukturované vs. nestrukturované)
  • Komprese a sdílení vah
  • Testování komprimovaných modelů

Frameworks a nástroje pro nasazení

  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Kompatibilita hraničního hardware a běhová prostředí
  • Toolchainy pro krosplatformní nasazení

Praktické nasazení

  • Nasazení na Raspberry Pi, Jetson Nano a mobilní zařízení
  • Profilace a testování výkonu
  • Řešení problémů při nasazení

Shrnutí a další kroky

Požadavky

  • Chápání základů strojového učení
  • Zkušenosti s Pythonem a rámci pro hluboké učení
  • Odborná znalost vestavěných systémů nebo omezení hraničních zařízení

Cílová skupina

  • Vývojáři vestavěné AI
  • Odborníci na hraniční výpočet
  • Inženýři strojového učení se zaměřující na nasazení na hranici
 14 hodiny

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie