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 in Huaweis KI-Compute-Stack
- Übersicht der Ascend-Prozessorarchitektur (310, 910 usw.)
- Unterstützte KI-Frameworks und Überblick über das Toolchain
Modellkonvertierung und Kompilierung
- Verwendung des ATC-Tools für die Modellkonvertierung (TensorFlow, PyTorch, ONNX)
- Erstellen und Validieren von OM-Modelldateien
- Behandlung nicht unterstützter Operatoren und häufiger Konvertierungsprobleme
Deployment mit MindSpore und anderen Frameworks
- Deployment von Modellen mit MindSpore Lite
- Integration von OM-Modellen mit Python-APIs oder C++-SDKs
- Arbeit mit dem Ascend Model Manager
Leistungsoptimierung und Profiling
- Verständnis von AI-Core, Speicher- und Tiling-Optimierungen
- Profiling der Modellausführung mit CANN-Tools
- Best Practices für die Verbesserung der Inferenzgeschwindigkeit und Ressourcennutzung
Fehlerbehandlung und Debugging
- Häufige Deployment-Fehler und deren Lösung
- Lesen von Logs und Nutzung des Fehlerdiagnose-Tools
- Unit-Testing und funktionale Validierung deployter Modelle
Edge- und Cloud-Deployment-Szenarien
- Deployment auf Ascend 310 für Edge-Anwendungen
- Integration mit Cloud-basierten APIs und Microservices
- Praxisbeispiele aus dem Computer-Vision- und NLP-Bereich
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Python-basierten Deep-Learning-Frameworks wie TensorFlow oder PyTorch
- Verständnis von neuronalen Netzwerkarchitekturen und Modelltrainingsworkflows
- Grundlegende Vertrautheit mit der Linux-CLI und Scripting
Zielgruppe
- KI-Ingenieure, die mit Modell-Deployment arbeiten
- Machine-Learning-Praktiker, die Hardware-Beschleunigung anstreben
- Deep-Learning-Entwickler, die Inferenzlösungen erstellen
14 Stunden
