聯繫我們

課程簡介

邊緣 AI 與 Nano Banana 簡介

  • 邊緣 AI 工作負載的主要特徵
  • Nano Banana 的架構與功能
  • 邊緣部署與雲端部署策略的比較

為邊緣部署準備模型

  • 模型選擇與基準評估
  • 依賴關係與兼容性考慮
  • 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
  • 評估壓縮對模型的性能影響

用於邊緣性能的量化

  • 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 及硬件後端
  • 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中
  • 運行時配置與監控
  • 排解部署問題

性能分析與權衡分析

  • 延遲、吞吐量及熱約束
  • 準確性與性能之間的權衡
  • 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
  • 安全性與完整性考慮

總結與後續步驟

最低要求

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

受眾對象

  • ML 工程師
  • 數據科學家
  • MLOps 實踐者
 14 小時

客戶評論 (1)

課程分類