聯繫我們
 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

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