Návrh Školení

Vstup do Edge AI a optimalizace modelů

  • Pochopení hraničního výpočetního prostředí a AI pracovních zátěží
  • Trade-offs: výkon vs. omezení zdrojů
  • Přehled strategií optimalizace modelů

Výběr modelu a předtrénování

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

Fine-Tuning a přenosové učení

  • Zásady přenosového učení
  • Adaptace modelů pro vlastní data
  • Praktické pracovní postupy dalšího trénování

Kvantizace modelu

  • Techniky kvantizace po tréninku
  • Výpočetně vědomá kvantizace
  • Hodnocení a trade-offs

Sekvence a komprese modelů

  • Strategie sekvací (strukturované vs. nestrukturované)
  • Komprese a sdílení váh
  • Benchmarking komprimovaných modelů

Ramce a nástroje pro nasazení

  • TensorFlow Lite, PyTorch Mobile, ONNX
  • Kompatibilita s hraničním hardwarovým zařízením a runtime prostředími
  • Nástrojové řetězce pro nasazení na více platformách

Praktické nasazení

  • Nasazení do Raspberry Pi, Jetson Nano a mobilních zařízení
  • Profiling a benchmarking
  • Léčba problémů při nasazování

Souhrn a další kroky

Požadavky

  • Poznání základů strojového učení
  • Zkušenosti s Python a hlubokými učícími frameworky
  • Znalost vbedních systémů nebo omezení hraničních zařízení

Cílová skupina

  • Vývojáři AI pro vbedné systémy
  • Specialisté na hraniční výpočty
  • Inženýři strojového učení zaměření na nasazování na hranici
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie