Kerangka Materi

Pengenalan Edge AI dan Ascend 310

  • Kajian umum tentang Edge AI: tren, batasan, dan aplikasi
  • Arsitektur chip Huawei Ascend 310 dan toolchain yang didukung
  • Menempati CANN dalam tumpukan penyebaran AI tepi

Persiapan dan Konversi Model

  • Mengeksport model yang sudah dilatih dari TensorFlow, PyTorch, dan MindSpore
  • Menggunakan ATC untuk mengonversi model ke format OM untuk perangkat Ascend
  • Mengatasi operasi yang tidak didukung dan strategi konversi ringan

Mengembangkan Pipeline Inferensi dengan AscendCL

  • Menggunakan API AscendCL untuk menjalankan model OM pada Ascend 310
  • Praproses masuk/keluar, pengelolaan memori, dan kontrol perangkat
  • Mengimplementasikan dalam container terintegrasi atau lingkungan runtime ringan

Optimisasi untuk Batasan Tepi

  • Mengurangi ukuran model, penyesuaian presisi (FP16, INT8)
  • Menggunakan profil CANN untuk mengidentifikasi botol leher
  • Mengelola tata letak memori dan aliran data untuk kinerja

Implementasi dengan MindSpore Lite

  • Menggunakan runtime MindSpore Lite untuk target seluler dan terintegrasi
  • Membandingkan MindSpore Lite dengan pipeline AscendCL mentah
  • Mengemas model inferensi untuk implementasi spesifik perangkat

Skenario dan Studi Kasus Implementasi Tepi

  • 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 tepi

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pengalaman dalam pengembangan atau workflow peluncuran model AI
  • Pengetahuan dasar tentang sistem embedded, Linux, dan Python
  • Keahlian dalam kerangka kerja pembelajaran mendalam seperti TensorFlow atau PyTorch

Peserta

  • Pengembang solusi IoT
  • Insinyur AI embedded
  • Integrator sistem edge dan spesialis peluncuran AI
 14 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait