感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程時長 14 時間:
課程簡介
邊緣 AI 與 Ascend 310 簡介
- 邊緣 AI 概觀:趨勢、限制與應用
- 華為 Ascend 310 晶片架構及支援的工具鏈
- CANN 在邊緣 AI 部署棧中的定位
模型準備與轉換
- 從 TensorFlow、PyTorch 及 MindSpore 匯出訓練好的模型
- 使用 ATC 將模型轉換為 Ascend 設備可用的 OM 格式
- 處理不支援的操作(ops)及輕量級轉換策略
使用 AscendCL 開發推論管線
- 使用 AscendCL API 在 Ascend 310 上執行 OM 模型
- 輸入/輸出預處理、記憶體處理及設備控制
- 在嵌入式容器或輕量級執行環境中進行部署
針對邊緣限制的優化
- 縮小模型尺寸、精確度調校(FP16、INT8)
- 使用 CANN 分析器(profiler)識別瓶頸
- 管理記憶體佈局與數據串流以提升效能
使用 MindSpore Lite 進行部署
- 使用 MindSpore Lite 執行環境針對行動裝置及嵌入式目標
- 比較 MindSpore Lite 與原生 AscendCL 管線的差異
- 將推論模型打包以進行特定設備的部署
邊緣部署場景與案例研究
- 案例研究:在 Ascend 310 上運作物體偵測模型的智能攝影機
- 案例研究:在 IoT 感測器樞紐中進行即時分類
- 在邊緣端監控及更新已部署的模型
總結與後續步驟
最低要求
- 具備 AI 模型開發或部署工作流程的經驗
- 熟悉嵌入式系統、Linux 及 Python 的基礎知識
- 熟悉 TensorFlow 或 PyTorch 等深度學習框架
適合對象
- IoT 解決方案開發者
- 嵌入式 AI 工程師
- 邊緣系統整合人員及 AI 部署專家
客戶評論 (1)
我們可以涵蓋高級主題,並運用實際案例
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
課程 - Advanced Edge AI Techniques
機器翻譯