聯繫我們
 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)

課程分類