聯繫我們

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)

課程分類