聯繫我們

課程簡介

邊緣 AI 與 Nano Banana 簡介

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

為邊緣部署準備模型

  • 模型選擇與基線評估。
  • 依賴關係與相容性考量。
  • 導出模型以進行進一步優化。

模型壓縮技術

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

邊緣效能的量化

  • 訓練後量化方法。
  • 量化感知工作流。
  • INT8、FP16 及混合精度方法。

Nano Banana 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理效能。

部署至邊緣裝置

  • 將模型整合至嵌入式或行動應用中。
  • 執行時間配置與監控。
  • 排除部署問題。

效能剖析與權衡分析

  • 延遲、吞吐量與熱約束。
  • 準確性與效能的權衡。
  • 迭代優化策略。

邊緣 AI 系統的維護最佳實踐

  • 版本控制與持續更新。
  • 模型回滾與相容性管理。
  • 安全與完整性考量。

摘要與後續步驟

最低要求

  • 具備機器學習工作流的理解。
  • 擁有基於 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 從業人員
 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