Hubungi Kami
 Durasi 14 jam

Kerangka Materi

Pengantar Edge AI dan Ascend 310

  • Gambaran umum Edge AI: tren, keterbatasan, dan aplikasi
  • Arsitektur chip Huawei Ascend 310 dan rantai alat yang didukung
  • Posisi CANN dalam tumpukan implementasi Edge AI

Persiapan dan Konversi Model

  • Mengekspor model terlatih dari TensorFlow, PyTorch, dan MindSpore
  • Menggunakan ATC untuk mengkonversi model ke format OM untuk perangkat Ascend
  • Menangani operator yang tidak didukung dan strategi konversi ringan

Pengembangan Pipeline Inferensi dengan AscendCL

  • Menggunakan API AscendCL untuk menjalankan model OM pada Ascend 310
  • Pra-pemrosesan input/ouput, penanganan memori, dan kontrol perangkat
  • Mengimplementasikan dalam kontainer tertanam atau lingkungan runtime ringan

Optimasi untuk Keterbatasan Edge

  • Mengurangi ukuran model, penyetelan presisi (FP16, INT8)
  • Menggunakan profiler CANN untuk mengidentifikasi hambatan
  • Mengelola tata letak memori dan streaming data untuk kinerja

Implementasi dengan MindSpore Lite

  • Menggunakan runtime MindSpore Lite untuk target mobile dan tertanam
  • Membandingkan MindSpore Lite dengan pipeline AscendCL mentah
  • Mengemas model inferensi untuk implementasi khusus perangkat

Skenario Implementasi Edge dan Studi Kasus

  • Studi kasus: kamera cerdas dengan model deteksi objek pada Ascend 310
  • Studi kasus: klasifikasi waktu nyata dalam hub sensor IoT
  • Memantau dan memperbarui model yang diimplementasikan di edge

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Pengalaman dalam pengembangan model AI atau alur kerja implementasi
  • Pengetahuan dasar tentang sistem tertanam, Linux, dan Python
  • Familiar dengan framework pembelajaran dalam seperti TensorFlow atau PyTorch

Audien

  • Pengembang solusi IoT
  • Insinyur AI tertanam
  • Integrator sistem edge dan spesialis implementasi AI

Jumlah Peserta


Harga per Peserta

Testimoni (1)

Kursus Mendatang

Kategori Terkait