Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in CANN und Ascend-KI-Prozessoren
- Was ist CANN? Rolle im AI-Berechnungsstack von Huawei
- Übersicht über die Architektur der Ascend-Prozessoren (310, 910, usw.)
- Übersicht über unterstützte KI-Frameworks und Toolchain
Modelloptionierung und Kompilierung
- Nutzung des ATC-Tools für die Modelloptionierung (TensorFlow, PyTorch, ONNX)
- Erstellung und Validierung von OM-Modell-Dateien
- Umgang mit nicht unterstützten Operatoren und häufigen Konvertierungsproblemen
Bereitstellung mit MindSpore und anderen Frameworks
- Modelloptimierung mit MindSpore Lite
- Integration von OM-Modellen in Python-APIs oder C++-SDKs
- Arbeit mit dem Ascend Model Manager
Leistungsoptimierung und Profiling
- Verständnis von AI Core, Speicher- und Tiling-Optimierungen
- Profiling der Modelloptimierung mit CANN-Tools
- Best Practices zur Verbesserung der Inferenzgeschwindigkeit und Ressourcennutzung
Fehlerbehandlung und Debugging
- Häufige Bereitstellungsfehler und deren Lösung
- Analyse von Logs und Nutzung des Fehlerdiagnose-Tools
- Unit-Tests und funktionale Validierung bereitgestellter Modelle
Szenarien für die Edge- und Cloud-Bereitstellung
- Bereitstellung auf Ascend 310 für Edge-Anwendungen
- Integration in cloudbasierte APIs und Microservices
- Praxisnahe Fallbeispiele in den Bereichen Computer Vision und NLP
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Python-basierten Deep-Learning-Frameworks wie TensorFlow oder PyTorch
- Verständnis von neuronalen Netzarchitekturen und Workflows zur Modelloptimierung
- Grundlegende Kenntnisse in Linux-Befehlszeile (CLI) und Scripting
Zielgruppe
- KI-Ingenieure, die sich mit der Modelloptimierung befassen
- Machine-Learning-Experten, die Hardware-Beschleunigung anstreben
- Deep-Learning-Entwickler, die Inferenzlösungen entwickeln
14 Stunden