聯繫我們

課程簡介

邊緣AI與Nano Banana簡介

  • 邊緣AI負載的主要特徵
  • Nano Banana的架構與能力
  • 比較邊緣部署與雲端部署策略

為邊緣部署準備模型

  • 模型選擇與基線評估
  • 依賴關係與兼容性考慮因素
  • 導出模型以進行進一步優化

模型壓縮技術

  • 剪枝策略與結構稀疏性
  • 權重共享與參數減少
  • 評估壓縮影響

針對邊緣性能的量化

  • 訓練後量化方法
  • 量化感知工作流程
  • INT8、FP16及混合精度方法

Nano Banana加速技術

  • 使用Nano Banana加速器
  • 整合ONNX與硬體後端
  • 基準測試加速後的推理性能

部署至邊緣設備

  • 將模型整合到嵌入式或移動應用程序中
  • 運行時配置與監控
  • 排除部署問題

性能剖析與權衡分析

  • 延遲、吞吐量與熱約束
  • 準確性與性能的權衡
  • 迭代優化策略

維護邊緣AI系統的最佳實踐

  • 版本控制與持續更新
  • 模型回滾與兼容性管理
  • 安全性與完整性考量

總結與下一步

最低要求

  • 了解機器學習工作流程
  • 具備基於Python的模型開發經驗
  • 熟悉神經網絡架構

目標受眾

  • ML工程師
  • 數據科學家
  • MLOps從業者
 14 小時

客戶評論 (1)

課程分類