感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
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)
演講中的流程、氛圍與主題
Lukasz Kowalczyk - Allegro Sp. z o.o.
課程 - Google Gemini AI for Data Analysis
機器翻譯