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
邊緣端 AI 與昇騰 310 簡介
- 邊緣端 AI 概觀:趨勢、限制與應用
- 華為昇騰 310 晶片架構及支援的工具鏈
- CANN 在邊緣端 AI 部署堆疊中的定位
模型準備與轉換
- 從 TensorFlow、PyTorch 及 MindSpore 匯出訓練好的模型
- 使用 ATC 將模型轉換為昇騰裝置可識別的 OM 格式
- 處理不支援的算子及輕量級轉換策略
使用 AscendCL 開發推論管線
- 使用 AscendCL API 在昇騰 310 上執行 OM 模型
- 輸入/輸出預處理、記憶體管理及裝置控制
- 在嵌入式容器或輕量級執行環境中進行部署
針對邊緣端限制的效能最佳化
- 縮減模型大小、精度調整(FP16、INT8)
- 使用 CANN 分析工具(Profiler)識別效能瓶頸
- 管理記憶體佈局與數據流以提升效能
使用 MindSpore Lite 進行部署
- 使用 MindSpore Lite 執行環境支援行動裝置與嵌入式目標
- 比較 MindSpore Lite 與原生 AscendCL 管線
- 為特定裝置的部署需求打包推論模型
邊緣端部署情境與案例研究
- 案例研究:在昇騰 310 上部署具備物件偵測模型的智慧攝影機
- 案例研究:IoT 感測器集線器中的即時分類
- 監控及更新部署於邊緣端的模型
總結與後續步驟
最低要求
- 具備 AI 模型開發或部署流程的經驗
- 對嵌入式系統、Linux 及 Python 有基礎知識
- 熟悉 TensorFlow 或 PyTorch 等深度學習框架
目標受眾
- IoT 解決方案開發者
- 嵌入式 AI 工程師
- 邊緣系統整合者與 AI 部署專家
客戶評論 (1)
我們可以涵蓋高級主題,並運用實際案例
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
課程 - Advanced Edge AI Techniques
機器翻譯