Kerangka Materi

Pendahuluan tentang Implementasi CV/NLP dengan CANN

  • Siklus hidup model AI dari pelatihan hingga implementasi
  • Pertimbangan kinerja utama untuk CV dan NLP real-time
  • Gambaran umum alat-alat CANN SDK dan perannya dalam integrasi model

Persiapan Model CV dan NLP

  • Ekspor model dari PyTorch, TensorFlow, dan MindSpore
  • Penanganan input/output model untuk tugas gambar dan teks
  • Penggunaan ATC untuk mengonversi model ke format OM

Implementasi Pipelines Inferensi dengan AscendCL

  • Menjalankan inferensi CV/NLP menggunakan API AscendCL
  • Pipelines prapemrosesan: penyesuaian ukuran gambar, tokenisasi, normalisasi
  • Pospemrosesan: kotak pembatas, skor klasifikasi, output teks

Teknik Optimalisasi Kinerja

  • Profil model CV dan NLP menggunakan alat-alat CANN
  • Mengurangi latensi dengan presisi campuran dan penyetelan batch
  • Pengelolaan memori dan komputasi untuk tugas streaming

Kasus Penggunaan Komputer Vision

  • Studi kasus: deteksi objek untuk pengawasan cerdas
  • Studi kasus: inspeksi kualitas visual dalam manufaktur
  • Pembangunan pipelines analitik video langsung di Ascend 310

Kasus Penggunaan NLP

  • Studi kasus: analisis sentimen dan deteksi niat
  • Studi kasus: klasifikasi dokumen dan ringkasan
  • Integrasi NLP real-time dengan REST APIs dan sistem pesan

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Kenalan dengan pembelajaran mendalam untuk komputer vision atau NLP
  • Pengalaman dengan Python dan kerangka AI seperti TensorFlow, PyTorch, atau MindSpore
  • Pemahaman dasar tentang pengimplementasian model atau alur kerja inferensi

Audience

  • Praktisi komputer vision dan NLP yang menggunakan platform Huawei’s Ascend
  • Data scientists dan AI engineers yang mengembangkan model persepsi real-time
  • Pengembang yang mengintegrasikan pipelines CANN dalam manufaktur, pengawasan, atau analitik media
 14 Jam

Jumlah Peserta


Biaya per Peserta

Testimoni (1)

Kursus Mendatang

Kategori Terkait