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.
Durasi 14 jam
Kerangka Materi
Ringkasan Kapasitas Optimasi CANN
- Cara kinerja inferensi ditangani di CANN
- Tujuan optimasi untuk sistem AI edge dan tertanam
- Memahami pemanfaatan AI Core dan alokasi memori
Menggunakan Graph Engine untuk Analisis
- Pengenalan Graph Engine dan pipeline eksekusi
- Visualisasi grafik operator dan metrik runtime
- Modifikasi grafik komputasi untuk optimasi
Alat Profiling dan Metrik Kinerja
- Menggunakan CANN Profiling Tool (profiler) untuk analisis beban kerja
- Analisis waktu eksekusi kernel dan hambatan
- Profiling akses memori dan strategi tiling
Pengembangan Operator Kustom dengan TIK
- Ringkasan TIK dan model pemrograman operator
- Implementasi operator kustom menggunakan TIK DSL
- Pengujian dan benchmarking kinerja operator
Optimasi Operator Lanjutan dengan TVM
- Pengantar integrasi TVM dengan CANN
- Strategi auto-tuning untuk grafik komputasi
- Kapan dan bagaimana beralih antara TVM dan TIK
Teknik Optimasi Memori
- Manajemen layout memori dan penempatan buffer
- Teknik untuk mengurangi konsumsi memori on-chip
- Praktik terbaik untuk eksekusi asinkron dan penggunaan ulang
Deployment Dunia Nyata dan Studi Kasus
- Studi kasus: penyetelan kinerja untuk pipeline kamera smart city
- Studi kasus: mengoptimalkan tumpukan inferensi kendaraan otonom
- Panduan untuk profiling iteratif dan peningkatan berkelanjutan
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pemahaman kuat tentang arsitektur model deep learning dan alur kerja pelatihan
- Pengalaman dalam deployment model menggunakan CANN, TensorFlow, atau PyTorch
- Pengkajian dengan Linux CLI, shell scripting, dan pemrograman Python
Audience
- Insinyur kinerja AI
- Spesialis optimasi inferensi
- Pengembang yang bekerja dengan edge AI atau sistem real-time
