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
Pengenalan Deploy CV/NLP dengan CANN
- Siklus hidup model AI dari pelatihan hingga deploy
- Pertimbangan kinerja utama untuk CV dan NLP real-time
- Gambaran umum alat CANN SDK dan peran mereka dalam integrasi model
Persiapan Model CV dan NLP
- Mengekspor model dari PyTorch, TensorFlow, dan MindSpore
- Menangani input/output model untuk tugas gambar dan teks
- Menggunakan ATC untuk mengonversi model ke format OM
Mendeploy Pipeline Inferensi dengan AscendCL
- Menjalankan inferensi CV/NLP menggunakan API AscendCL
- Pipeline pra-pemrosesan: penyesuaian ukuran gambar, tokenisasi, normalisasi
- Pasca-pemrosesan: kotak batas, skor klasifikasi, output teks
Teknik Optimasi Kinerja
- Profiling model CV dan NLP menggunakan alat CANN
- Mengurangi latensi dengan presisi campuran dan penyetelan batch
- Mengelola memori dan komputasi untuk tugas streaming
Kasus Penggunaan Computer Vision
- Studi kasus: deteksi objek untuk pengawasan cerdas
- Studi kasus: inspeksi kualitas visual dalam manufaktur
- Membangun pipeline analitik video langsung di Ascend 310
Kasus Penggunaan NLP
- Studi kasus: analisis sentimen dan deteksi intent
- Studi kasus: klasifikasi dan ringkasan dokumen
- Integrasi NLP real-time dengan API REST dan sistem pemesan
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pemahaman tentang deep learning untuk computer vision atau NLP
- Pengalaman dengan Python dan kerangka kerja AI seperti TensorFlow, PyTorch, atau MindSpore
- Pemahaman dasar tentang deploy model atau alur kerja inferensi
Audience
- Praktisi computer vision dan NLP yang menggunakan platform Ascend dari Huawei
- Ilmuwan data dan insinyur AI yang mengembangkan model persepsi real-time
- Pengembang yang mengintegrasikan pipeline CANN dalam manufaktur, pengawasan, atau analitik media
