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Nano Banana簡介
- 邊緣AI工作負載的關鍵特性。
- Nano Banana的架構與功能。
- 邊緣與雲部署策略的對比。
準備模型進行邊緣部署
- 模型選擇與基線評估。
- 依賴性與兼容性考慮。
- 導出模型以進一步優化。
模型壓縮技術
- 剪枝策略與結構稀疏性。
- 權重共享與參數減少。
- 評估壓縮效果。
量化提升邊緣性能
- 後訓練量化方法。
- 量化感知訓練工作流程。
- INT8、FP16與混合精度方法。
使用Nano Banana加速
- 使用Nano Banana加速器。
- 集成ONNX與硬件後端。
- 加速推理的基準測試。
部署到邊緣設備
- 將模型集成到嵌入式或移動應用中。
- 運行時配置與監控。
- 排查部署問題。
性能分析與權衡評估
- 延遲、吞吐量與熱約束。
- 準確性與性能的權衡。
- 迭代優化策略。
維護邊緣AI系統的最佳實踐
- 版本控制與持續更新。
- 模型回滾與兼容性管理。
- 安全性與完整性考慮。
總結與下一步
最低要求
- 瞭解機器學習工作流程。
- 具備基於Python的模型開發經驗。
- 熟悉神經網絡架構。
受衆
- ML工程師。
- 數據科學家。
- MLOps從業者。
14 時間:
客戶評論 (1)
演講中的流程、氛圍與主題
Lukasz Kowalczyk - Allegro Sp. z o.o.
課程 - Google Gemini AI for Data Analysis
機器翻譯