Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Gambaran Umum Kemampuan Optimisasi CANN
- Cara CANN mengatur performa inferensi
- Tujuan optimisasi untuk sistem AI di perangkat tepi dan embedded
- Pemahaman terkait pemanfaatan komponen AI Core serta alokasi memori
Penggunaan Graph Engine dalam Analisis Performa
- Pendahuluan tentang Graph Engine beserta rantai eksekusi komputasinya
- Menggambarkan struktur grafik operator dan metrik kinerja secara real-time
- Cara mengubah struktur grafik komputasi untuk menghasilkan optimisasi lebih lanjut
Alat Profiling dan Metrik Performa
- Pemanfaatan Alat Profiler CANN dalam menganalisis beban kerja komputasional
- Analisis waktu eksekusi kernel serta penemuan titik kemacetan sistem
- Profiling akses memori dan strategi pengaturan partisi data
Pengembangan Operator Khusus dengan TIK
- Gambaran umum mengenai model pemrograman operator dalam TIK
- Cara membuat operator khusus dengan menggunakan DSL TIK
- Uji coba serta evaluasi performa operator yang telah dibuat
Pengoptimalan Operator Tingkat Lanjut Menggunakan TVM
- Pendahuluan integrasi antara TVM dengan CANN
- Strategi otomatisasi penyesuaian grafik komputasi di TVM
- Kapan dan bagaimana memilih penggunaan TVM atau TIK dalam suatu proyek
Teknik Optimisasi Penggunaan Memori
- Cara mengatur tata letak data serta penempatan buffer memori
- Metode efektif untuk mengurangi penggunaan memori di chip prosesor
- Praktik terbaik dalam pemanfaatan eksekusi asinkron dan pengulangan pemrosesan data
Implementasi Nyata serta Studi Kasus
- Studi kasus: Penyesuaian performa pada alur kerja kamera untuk kota pintar
- Studi kasus: Pengoptimalan tumpukan pemrosesan inferensi kendaraan otonom
- Panduan langkah-demi-langkah dalam melakukan profiling berulang serta perbaikan performa secara terus-menerus<\/li>
Penutup dan Arahan Selanjutnya
Persyaratan
- Pemahaman mendalam mengenai arsitektur model deep learning serta proses pelatihannya
- Pengalaman melakukan implementasi model dengan CANN, TensorFlow, atau PyTorch
- Kebiasaan menggunakan antarmuka baris perintah Linux, scripting shell, serta pemrograman Python
Audiens Target
- Insinyur optimisasi performa AI
- Spesialis pengoptimalan proses inferensi
- Pengembang yang mengerjakan sistem AI di perangkat tepi maupun sistem real-time
14 Jam