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
Ringkasan Kemampuan Optimisasi CANN
- Cara pengelolaan kinerja inferensi dalam CANN
- Tujuan optimisasi untuk sistem AI edge dan embedded
- Mengerti penggunaan AI Core dan alokasi memori
Menggunakan Graph Engine untuk Analisis
- Pendahuluan tentang Graph Engine dan pipa eksekusi
- Memvisualisasikan grafik operator dan metrik runtime
- Modifikasi grafik komputasi untuk optimisasi
Alat Profiling dan Metrik Kinerja
- Menggunakan CANN Profiling Tool (profiler) untuk analisis beban kerja
- Menganalisis waktu eksekusi kernel dan botleneck
- Profiling akses memori dan strategi tiling
Pengembangan Operator Kustom dengan TIK
- Ringkasan tentang TIK dan model pemrograman operator
- Menerapkan operator kustom menggunakan TIK DSL
- Uji coba dan benchmarking performa operator
Optimisasi Lanjutan Operator dengan TVM
- Pendahuluan tentang integrasi TVM dengan CANN
- Strategi auto-tuning untuk grafik komputasi
- Kapan dan bagaimana beralih antara TVM dan TIK
Teknik Optimisasi Memori
- Pengelolaan tata letak memori dan penempatan buffer
- Teknik untuk mengurangi konsumsi memori on-chip
- Praktik terbaik untuk eksekusi asynchronous dan penggunaan ulang
Penerapan Nyata dan Studi Kasus
- Studi kasus: penyesuaian performa untuk pipelining kamera smart city
- Studi kasus: optimisasi tumpukan inferensi kendaraan otonom
- Panduan untuk profiling berkelanjutan dan perbaikan terus-menerus
Ringkasan dan Langkah Berikutnya
Persyaratan
- Pemahaman yang kuat tentang arsitektur model deep learning dan alur kerja pelatihan
- Pengalaman dalam depresiasi model menggunakan CANN, TensorFlow, atau PyTorch
- Ketahui CLI Linux, shell scripting, dan pemrograman Python
Audience
- Insinyur performa AI
- Spesialis optimasi inferensi
- Pengembang yang bekerja dengan AI edge atau sistem real-time
14 Jam
