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
邊緣AI和Nano Banana簡介<\/p>
- 邊緣AI工作負載的關鍵特性<\/li>
- Nano Banana的架構和功能<\/li>
- 比較邊緣與雲端部署策略<\/li>
<\/ul>
準備邊緣部署的模型<\/p>
- 模型選擇和基線評估<\/li>
- 依賴和兼容性考量<\/li>
- 導出模型以供進一步優化<\/li>
<\/ul>
模型壓縮技術<\/p>
- 剪枝策略和結構性稀疏<\/li>
- 權重共享和參數減少<\/li>
- 評估壓縮影響<\/li>
<\/ul>
邊緣性能的量化<\/p>
- 訓練後量化方法<\/li>
- 量化感知訓練工作流程<\/li>
- INT8、FP16和混合精度方法<\/li>
<\/ul>
使用Nano Banana加速<\/p>
- 使用Nano Banana加速器<\/li>
- 集成ONNX和硬件後端<\/li>
- 基準測試加速推理<\/li>
<\/ul>
部署到邊緣設備<\/p>
- 將模型集成到嵌入式或移動應用中<\/li>
- 運行時配置和監控<\/li>
- 排除部署問題<\/li>
<\/ul>
性能分析和權衡分析<\/p>
- 延遲、吞吐量和熱約束<\/li>
- 準確性與性能的權衡<\/li>
- 迭代優化策略<\/li>
<\/ul>
維護邊緣AI系統的最佳實踐<\/p>
- 版本控制和持續更新<\/li>
- 模型回滾和兼容性管理<\/li>
- 安全性和完整性考量<\/li>
<\/ul>
總結和後續步驟<\/p>
最低要求
- 了解機器學習工作流程<\/li>
- 具備基於Python的模型開發經驗<\/li>
- 熟悉神經網絡架構<\/li>
<\/ul>
目標學員<\/strong><\/p>
- ML工程師<\/li>
- 數據科學家<\/li>
- MLOps從業者<\/li> <\/ul>
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
