聯繫我們
 課程時長 14 時間:

課程簡介

邊緣 AI 與 Nano Banana 介紹

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

為邊緣部署準備模型

  • 模型選擇與基準評估
  • 依賴關係與相容性考量
  • 輸出模型以供進一步優化

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

用於邊緣效能的量化

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

使用 Nano Banana 進行加速

  • 使用 Nano Banana 加速器
  • 整合 ONNX 與硬體後端
  • 加速推理的基準測試

部署至邊緣裝置

  • 將模型整合至嵌入式或行動應用
  • 執行期設定與監控
  • 排解部署問題

效能分析與權衡分析

  • 延遲、吞吐量及熱約束
  • 準確率與效能的權衡
  • 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
  • 模型回滾與相容性管理
  • 安全性與完整性考量

總結與後續步驟

最低要求

  • 對機器學習工作流程有基本理解
  • 具備使用 Python 進行模型開發的經驗
  • 熟悉神經網路架構

受眾

  • ML 工程師
  • 資料科學家
  • MLOps 實踐者

客戶評論 (1)

課程分類