Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a CANN y los procesadores de IA Ascend
- ¿Qué es CANN? Su papel en la pila de computación de IA de Huawei.
- Visión general de la arquitectura de los procesadores Ascend (310, 910, etc.).
- Marco general de los marcos de trabajo de IA admitidos y la cadena de herramientas.
Conversión y compilación de modelos
- Uso de la herramienta ATC para la conversión de modelos (TensorFlow, PyTorch, ONNX).
- Creación y validación de archivos de modelo OM.
- Manejo de operadores no admitidos y problemas comunes de conversión.
Implementación con MindSpore y otros marcos de trabajo
- Implementación de modelos con MindSpore Lite.
- Integración de modelos OM con API de Python o SDK de C++.
- Trabajo con Ascend Model Manager.
Optimización de rendimiento y perfilado
- Comprensión de las optimizaciones de AI Core, memoria y particionado (tiling).
- Perfilado de la ejecución de modelos con herramientas CANN.
- Mejores prácticas para mejorar la velocidad de inferencia y el uso de recursos.
Manejo de errores y depuración
- Errores comunes de implementación y su resolución.
- Lectura de registros y uso de la herramienta de diagnóstico de errores.
- Pruebas unitarias y validación funcional de los modelos implementados.
Escenarios de implementación en edge y nube
- Implementación en Ascend 310 para aplicaciones de edge.
- Integración con API basadas en la nube y microservicios.
- Estudios de casos reales en visión por computadora y PLN (Procesamiento del Lenguaje Natural).
Resumen y próximos pasos
Requerimientos
- Experiencia con marcos de aprendizaje profundo basados en Python como TensorFlow o PyTorch.
- Comprensión de las arquitecturas de redes neuronales y los flujos de trabajo de entrenamiento de modelos.
- Familiaridad básica con la línea de comandos de Linux y la creación de scripts.
Público objetivo
- Ingenieros de IA que trabajan en la implementación de modelos.
- Practicantes de aprendizaje automático que buscan la aceleración por hardware.
- Desarrolladores de aprendizaje profundo que construyen soluciones de inferencia.
14 Horas
