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
使用 CANN 進行 CV/NLP 部署簡介
- AI 模型從訓練到部署的生命週期
- 即時 CV 與 NLP 的關鍵效能考量
- CANN SDK 工具概觀及其在模型整合中的角色
準備 CV 與 NLP 模型
- 從 PyTorch、TensorFlow 及 MindSpore 匯出模型
- 處理影像與文字任務的模型輸入/輸出
- 使用 ATC 將模型轉換為 OM 格式
使用 AscendCL 部署推論管線
- 使用 AscendCL API 執行 CV/NLP 推論
- 預處理管線：影像縮放、分詞（tokenization）、正規化
- 後處理：邊界框（bounding boxes）、分類分數、文字輸出
效能優化技術
- 使用 CANN 工具剖析 CV 與 NLP 模型
- 透過混合精度（mixed-precision）與批次調整（batch tuning）降低延遲
- 管理串流任務的記憶體與計算資源
電腦視覺應用案例
- 案例研究：智慧監控中的物件偵測
- 案例研究：製造業中的視覺品質檢測
- 在 Ascend 310 上建置即時影片分析管線
自然語言處理應用案例
- 案例研究：情感分析與意圖偵測
- 案例研究：文件分類與摘要生成
- 即時 NLP 整合：REST API 與訊息系統
總結與後續步驟
最低要求
- 熟悉用於電腦視覺或自然語言處理的深度學習概念
- 具備 Python 及 TensorFlow、PyTorch 或 MindSpore 等 AI 框架的經驗
- 對模型部署或推論工作流程有基本理解
目標對象
- 使用華為 Ascend 平台的電腦視覺與 NLP 從業者
- 開發即時感知模型的数据科學家與 AI 工程師
- 在製造、監控或媒體分析領域整合 CANN 管線開發人員
