聯繫我們

課程簡介

邊緣 AI 與 Nano Banana 簡介

  • 邊緣 AI 工作負載的關鍵特性
  • Nano Banana 的架構與功能
  • 邊緣部署與雲端部署策略的比較

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
  • 權重共享與參數削減
  • 評估壓縮帶來的影響

用於邊緣效能的量化

  • 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
  • 加速推論的基準測試

部署至邊緣設備

  • 將模型整合至嵌入式或行動應用
  • 執行時設定與監控
  • 部署問題的排除

效能剖析與權衡分析

  • 延遲時間、吞吐量與熱約束
  • 準確率與效能的權衡
  • 迭代最佳化策略

維護邊緣 AI 系統的最佳實務

  • 版本控制與持續更新
  • 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
  • 具備基於 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 實作人員
 14 小時

人數


每位參與者的報價

客戶評論 (1)

即將到來的課程

課程分類