Optimizing AI Models for Edge Devices Schulung
Optimizing AI Models for Edge Devices konzentriert sich auf Techniken zur Optimierung von KI-Modellen für die effiziente Ausführung auf Edge-Hardware. Dieser Kurs deckt Modellkomprimierung, Quantisierung und andere Optimierungstechniken ab und vermittelt praktisches Wissen für die Erstellung leistungsfähiger KI-Modelle für Edge-Geräte.
Diese von einem Kursleiter geleitete Live-Schulung (online oder vor Ort) richtet sich an fortgeschrittene KI-Entwickler, Ingenieure für maschinelles Lernen und Systemarchitekten, die KI-Modelle für den Edge-Einsatz optimieren möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Herausforderungen und Anforderungen beim Einsatz von KI-Modellen auf Edge-Geräten zu verstehen.
- Modellkomprimierungstechniken anwenden, um die Größe und Komplexität von KI-Modellen zu reduzieren.
- Quantisierungsmethoden anwenden, um die Modelleffizienz auf Edge-Hardware zu verbessern.
- Implementierung von Pruning und anderen Optimierungstechniken zur Verbesserung der Modellleistung.
- Einsatz von optimierten KI-Modellen auf verschiedenen Edge-Geräten.
Format des Kurses
- Interaktive Vorlesung und Diskussion.
- Viele Übungen und Praxis.
- Praktische Umsetzung in einer Live-Laborumgebung.
Optionen zur Kursanpassung
- Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.
Schulungsübersicht
Einführung in die Edge AI-Optimierung
- Überblick über Edge AI und seine Herausforderungen
- Bedeutung der Modelloptimierung für Edge-Geräte
- Fallstudien zu optimierten KI-Modellen in Edge-Anwendungen
Techniken zur Modellkomprimierung
- Einführung in die Modellkompression
- Techniken zur Reduzierung der Modellgröße
- Praktische Übungen zur Modellkompression
Quantisierungsmethoden
- Überblick über die Quantisierung und ihre Vorteile
- Arten der Quantisierung (Post-Training, quantisierungsorientiertes Training)
- Praktische Übungen zur Modellquantisierung
Pruning und andere Optimierungstechniken
- Einführung in Pruning
- Methoden zum Pruning von AI-Modellen
- Andere Optimierungstechniken (z. B. Wissensdestillation)
- Praktische Übungen zum Pruning und zur Optimierung von Modellen
Einsatz von optimierten Modellen auf Edge-Geräten
- Vorbereiten der Edge-Device-Umgebung
- Einsetzen und Testen optimierter Modelle
- Behebung von Problemen bei der Bereitstellung
- Praktische Übungen für die Modellbereitstellung
Tools und Frameworks für die Optimierung
- Überblick über Tools und Frameworks (z. B. TensorFlow Lite, ONNX)
- Verwendung von TensorFlow Lite für die Modelloptimierung
- Praktische Übungen mit Optimierungswerkzeugen
Praktische Anwendungen und Fallstudien
- Rückblick auf erfolgreiche Edge AI-Optimierungsprojekte
- Diskussion von branchenspezifischen Anwendungsfällen
- Praktisches Projekt zum Erstellen und Optimieren einer realen Anwendung
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis von KI und Konzepten des maschinellen Lernens
- Erfahrung mit der Entwicklung von KI-Modellen
- Grundlegende Programmierkenntnisse (Python empfohlen)
Zielgruppe
- KI-Entwickler
- Ingenieure für maschinelles Lernen
- Systemarchitekten
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.
Optimizing AI Models for Edge Devices Schulung - Booking
Optimizing AI Models for Edge Devices Schulung - Enquiry
Optimizing AI Models for Edge Devices - Beratungsanfrage
Kommende Kurse
Kombinierte Kurse
DataRobot
7 StundenDiese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler und Datenanalysten, die Vorhersagemodelle mit den Funktionen des maschinellen Lernens von DataRobot automatisieren, bewerten und verwalten möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:
- Datensätze in DataRobot zu laden, um Daten zu analysieren, zu bewerten und ihre Qualität zu prüfen.
- Modelle erstellen und trainieren, um wichtige Variablen zu identifizieren und Vorhersageziele zu erreichen.
- Modelle zu interpretieren, um wertvolle Erkenntnisse zu gewinnen, die für Geschäftsentscheidungen nützlich sind.
- Modelle zu überwachen und zu verwalten, um eine optimierte Vorhersageleistung zu erhalten.
H2O AutoML
14 StundenDiese von einem Dozenten geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler, die H2O AutoML verwenden möchten, um den Prozess der Erstellung und Auswahl des besten Algorithmus und der Parameter für maschinelles Lernen zu automatisieren.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:
- Den Arbeitsablauf des maschinellen Lernens zu automatisieren.
- Automatisches Trainieren und Abstimmen vieler Machine-Learning-Modelle innerhalb eines bestimmten Zeitraums.
- gestapelte Ensembles zu trainieren, um zu hochgradig prädiktiven Ensemble-Modellen zu gelangen.
AutoML with Auto-sklearn
14 StundenDiese Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Praktiker im Bereich des maschinellen Lernens, die den Prozess der Auswahl und Optimierung eines maschinellen Lernmodells mit Auto-sklearn automatisieren möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Den Prozess des Trainings hocheffizienter maschineller Lernmodelle zu automatisieren.
- Hochpräzise Modelle für maschinelles Lernen zu erstellen und dabei die mühsamen Aufgaben der Auswahl, des Trainings und des Testens verschiedener Modelle zu umgehen.
- die Möglichkeiten des maschinellen Lernens für die Lösung realer Geschäftsprobleme zu nutzen.
AutoML with Auto-Keras
14 StundenDiese von einem Dozenten geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler und technisch weniger versierte Personen, die Auto-Keras verwenden möchten, um den Prozess der Auswahl und Optimierung eines maschinellen Lernmodells zu automatisieren.
Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
- den Prozess des Trainings von hocheffizienten maschinellen Lernmodellen zu automatisieren.
- Automatisch nach den besten Parametern für Deep-Learning-Modelle zu suchen.
- Hochpräzise Modelle für maschinelles Lernen zu erstellen.
- die Möglichkeiten des maschinellen Lernens für die Lösung realer Geschäftsprobleme zu nutzen.
Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation
21 StundenDiese von einem Dozenten geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-zu-Bild-Erzeugung erweitern möchten.
Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
- Fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-Bild-Erzeugung zu verstehen.
- Komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese zu implementieren.
- Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle zu optimieren.
- Abstimmung von Hyperparametern für bessere Modellleistung und Generalisierung.
- Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools
Introduction to Stable Diffusion for Text-to-Image Generation
21 StundenDiese von einem Dozenten geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Forscher im Bereich Computer Vision, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu erzeugen.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Prinzipien von Stable Diffusion und seine Funktionsweise für die Bilderzeugung zu verstehen.
- Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben.
- Anwendung von Stable Diffusion auf verschiedene Bilderzeugungsszenarien, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
- Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.
AlphaFold
7 StundenDiese von einem Ausbilder geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Biologen, die verstehen möchten, wie AlphaFold funktioniert, und die AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien verwenden möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Grundprinzipien von AlphaFold verstehen.
- Lernen, wie AlphaFold funktioniert.
- lernen, wie sie AlphaFold-Vorhersagen und -Ergebnisse interpretieren können.
Edge AI with TensorFlow Lite
14 StundenDiese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Datenwissenschaftler und KI-Experten, die TensorFlow Lite für Edge-KI-Anwendungen nutzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Die Grundlagen von TensorFlow Lite und seine Rolle in Edge AI zu verstehen.
- KI-Modelle mit TensorFlow Lite entwickeln und optimieren.
- Einsatz von TensorFlow Lite-Modellen auf verschiedenen Edge-Geräten.
- Werkzeuge und Techniken zur Modellkonvertierung und -optimierung nutzen.
- Implementierung praktischer Edge AI-Anwendungen mit TensorFlow Lite.
TensorFlow Lite for Embedded Linux
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite Deep-Learning-Modelle auf eingebetteten Geräten einsetzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Tensorflow Lite auf einem eingebetteten Gerät installieren und konfigurieren.
- Verstehen der Konzepte und Komponenten, die TensorFlow Lite zugrunde liegen.
- Bestehende Modelle in das TensorFlow Lite-Format für die Ausführung auf eingebetteten Geräten konvertieren.
- Mit den Einschränkungen von kleinen Geräten und TensorFlow Lite arbeiten und gleichzeitig lernen, wie man den Umfang der ausführbaren Operationen erweitert.
- Einsatz eines Deep-Learning-Modells auf einem eingebetteten Gerät unter Linux.
TensorFlow Lite for Android
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite mobile Anwendungen mit Deep-Learning-Funktionen entwickeln möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren und konfigurieren TensorFlow Lite.
- Verstehen der Prinzipien hinter TensorFlow, maschinellem Lernen und Deep Learning.
- TensorFlow-Modelle auf ein Android-Gerät laden.
- Tiefes Lernen und maschinelle Lernfunktionen wie Computer Vision und natürliche Spracherkennung in einer mobilen Anwendung aktivieren.
TensorFlow Lite for iOS
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit TensorFlow Lite iOS-Mobilanwendungen mit Deep-Learning-Funktionen entwickeln möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren und konfigurieren TensorFlow Lite.
- Die Prinzipien hinter TensorFlow und maschinellem Lernen auf mobilen Geräten verstehen.
- Laden von TensorFlow-Modellen auf ein iOS-Gerät.
- Eine iOS-Anwendung ausführen, die in der Lage ist, ein mit der Kamera des Geräts aufgenommenes Objekt zu erkennen und zu klassifizieren.
Tensorflow Lite for Microcontrollers
21 StundenDiese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine-Learning-Modelle auf sehr kleinen eingebetteten Geräten schreiben, laden und ausführen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Installieren TensorFlow Lite.
- Laden Sie Modelle für maschinelles Lernen auf ein eingebettetes Gerät, um es in die Lage zu versetzen, Sprache zu erkennen, Bilder zu klassifizieren usw.
- Hardwaregeräte mit KI ausstatten, ohne auf eine Netzwerkverbindung angewiesen zu sein.
Deep Learning Neural Networks with Chainer
14 StundenDiese von einem Dozenten geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Forscher und Entwickler, die mit Chainer neuronale Netze in Python aufbauen und trainieren wollen und dabei den Code leicht debuggen können.
Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:
- die notwendige Entwicklungsumgebung einzurichten, um mit der Entwicklung neuronaler Netzmodelle zu beginnen.
- Neuronale Netzmodelle unter Verwendung eines verständlichen Quellcodes zu definieren und zu implementieren.
- Beispiele auszuführen und bestehende Algorithmen zu modifizieren, um Deep-Learning-Trainingsmodelle zu optimieren und dabei GPUs für hohe Leistung zu nutzen.
Distributed Deep Learning with Horovod
7 StundenDiese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler oder Datenwissenschaftler, die Horovod verwenden möchten, um verteilte Deep-Learning-Trainings durchzuführen und sie so zu skalieren, dass sie über mehrere GPUs parallel laufen.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:
- die notwendige Entwicklungsumgebung einzurichten, um Deep-Learning-Trainings auszuführen.
- Horovod zu installieren und zu konfigurieren, um Modelle mit TensorFlow, Keras, PyTorch und Apache MXNet zu trainieren.
- Deep-Learning-Training mit Horovod zu skalieren, um es auf mehreren GPUs laufen zu lassen.
Accelerating Deep Learning with FPGA and OpenVINO
35 StundenDiese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Datenwissenschaftler, die Echtzeitanwendungen für maschinelles Lernen beschleunigen und in großem Umfang einsetzen möchten.
Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:
- Das Toolkit OpenVINO zu installieren.
- Eine Computer-Vision-Anwendung mit einem FPGA zu beschleunigen.
- Verschiedene CNN-Schichten auf dem FPGA auszuführen.
- die Anwendung über mehrere Knoten in einem Kubernetes-Cluster zu skalieren.