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。
課程簡介
邊緣AI與Ascend 310簡介
- 邊緣AI概覽:趨勢、限制與應用場景
- 華為Ascend 310晶片架構及支援的工具鏈
- CANN在邊緣AI部署堆疊中的定位
模型準備與轉換
- 從TensorFlow、PyTorch及MindSpore導出訓練好的模型
- 使用ATC將模型轉換為Ascend設備的OM格式
- 處理不被支援的操作算子與輕量級轉換策略
利用AscendCL開發推理管道
- 使用AscendCL API在Ascend 310上執行OM模型
- 輸入/輸出前處理、記憶體處理及裝置控制
- 在嵌入式容器或輕量級運行環境中部署
針對邊緣限制的優化
- 減少模型體積、精度調整(FP16, INT8)
- 使用CANN分析工具識別效能瓶頸
- 管理記憶體佈局與數據串流以提升效能
利用MindSpore Lite部署
- 使用MindSpore Lite運行環境針對手機及嵌入式目標進行部署
- 比較MindSpore Lite與原生AscendCL管道的差異
- 打包推理模型以支援特定設備的部署
邊緣部署情境與案例研究
- 案例研究:在Ascend 310上使用物件偵測模型的智慧攝影機
- 案例研究:IoT感測器集線器的即時分類應用
- 監控並更新邊緣部署的模型
總結與下一步計畫
最低要求
- 具備AI模型開發或部署流程的經驗
- 具備嵌入式系統、Linux及Python的基本知識
- 熟悉深度學習框架,如TensorFlow或PyTorch
受眾
- 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
14 小時
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