聯繫我們

課程簡介

邊緣AI與Nano Banana介紹

  • 邊緣AI工作負載的關鍵特徵
  • Nano Banana的架構與功能
  • 比較邊緣與雲部署策略

為邊緣部署準備模型

  • 模型選擇與基線評估
  • 依賴項和兼容性考量
  • 導出模型以進行進一步優化

模型壓縮技術

  • 剪枝策略和結構稀疏性
  • 權重共享和參數削減
  • 評估壓縮影響

針對邊緣性能的量化

  • 訓練後量化方法
  • 量化感知訓練工作流
  • INT8、FP16和混合精度方法

使用Nano Banana進行加速

  • 使用Nano Banana加速器
  • 集成ONNX和硬件後端
  • 基準測試加速推理

部署到邊緣設備

  • 將模型集成到嵌入式或移動應用中
  • 運行時配置和監控
  • 排查部署問題

性能分析與權衡分析

  • 延遲、吞吐量和熱約束
  • 精度與性能的權衡
  • 迭代優化策略

維護邊緣AI系統的最佳實踐

  • 版本控制和持續更新
  • 模型回滾和兼容性管理
  • 安全性和完整性考量

總結與後續步驟

最低要求

  • 對機器學習工作流的瞭解
  • 具有基於Python的模型開發經驗
  • 熟悉神經網絡架構

目標受眾

  • ML工程師
  • 數據科學家
  • MLOps實踐者
 14 小時

人數


每位參與者的報價

客戶評論 (1)

即將到來的課程

課程分類