聯繫我們
 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)

即將到來的課程

課程分類