聯繫我們
 課程時長 14 時間:

課程簡介

邊緣 AI 與 Nano Banana 簡介

  • 邊緣 AI 工作負載的關鍵特徵
  • Nano Banana 架構與功能
  • 比較邊緣與雲端部署策略

為邊緣部署準備模型

  • 模型選擇與基準評估
  • 相依性與相容性考量
  • 匯出模型以進行進一步最佳化

模型壓縮技術

  • 剪枝策略與結構稀疏性
  • 權重共享與參數減少
  • 評估壓縮影響

針對邊緣效能的量化

  • 訓練後量化方法
  • 量化感知訓練工作流程
  • INT8、FP16 與混合精度方法

使用 Nano Banana 進行加速

  • 使用 Nano Banana 加速器
  • 整合 ONNX 與硬體後端
  • 基準測試加速後的推論

部署到邊緣裝置

  • 將模型整合至嵌入式或移動應用
  • 執行期配置與監控
  • 排查部署問題

效能剖析與權衡分析

  • 延遲、吞吐量與熱限制
  • 準確性與效能之間的權衡
  • 迭代最佳化策略

維護邊緣 AI 系統的最佳實踐

  • 版本管理與持續更新
  • 模型回滾與相容性管理
  • 安全性與完整性考量

總結與下一步

最低要求

  • 了解機器學習工作流程
  • 具有基於 Python 的模型開發經驗
  • 熟悉神經網路架構

目標受眾

  • ML 工程師
  • 數據科學家
  • MLOps 實務者

客戶評論 (1)

即將到來的課程

課程分類