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Ascend 310簡介
- 邊緣AI概述:趨勢、限制和應用
- 華為Ascend 310晶片架構和支援的工具鏈
- CANN在邊緣AI部署堆疊中的定位
模型準備和轉換
- 從TensorFlow、PyTorch和MindSpore匯出訓練好的模型
- 使用ATC將模型轉換為Ascend設備的OM格式
- 處理不支援的操作和輕量級轉換策略
使用AscendCL開發推論管道
- 使用AscendCL API在Ascend 310上執行OM模型
- 輸入/輸出預處理、記憶體處理和設備控制
- 在嵌入式容器或輕量級執行環境中部署
針對邊緣限制的最佳化
- 減少模型大小、精度調整(FP16、INT8)
- 使用CANN分析器識別瓶頸
- 管理記憶體佈局和資料串流以提升性能
使用MindSpore Lite部署
- 使用MindSpore Lite執行環境,適用於行動和嵌入式目標
- 比較MindSpore Lite與原始AscendCL管道
- 打包推論模型以進行設備特定部署
邊緣部署場景和案例研究
- 案例研究:在Ascend 310上使用物體偵測模型的智慧相機
- 案例研究:在IoT感測器中心進行即時分類
- 在邊緣監控和更新已部署的模型
總結和後續步驟
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和Python的基礎知識
- 熟悉深度學習框架,如TensorFlow或PyTorch
目標學員
- IoT解決方案開發者
- 嵌入式AI工程師
- 邊緣系統整合者和AI部署專家
客戶評論 (1)
我們可以涵蓋高級主題,並運用實際案例
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
課程 - Advanced Edge AI Techniques
機器翻譯