Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a CANN y Procesadores AI Ascend
- ¿Qué es CANN? Papel en la pila de cómputo para IA de Huawei.
- Descripción general de la arquitectura del procesador Ascend (310, 910, etc.).
- Visión general de los marcos de trabajo de IA soportados y la cadena de herramientas.
Conversión y Compilación de Modelos
- Uso de la herramienta ATC para la conversión de modelos (TensorFlow, PyTorch, ONNX).
- Creación y validación de archivos de modelos OM.
- Manejo de operadores no soportados y problemas comunes de conversión.
Implementación con MindSpore y Otros Marcos de Trabajo
- Implementación de modelos con MindSpore Lite.
- Integración de modelos OM con APIs de Python o SDKs de C++.
- Uso del Administrador de Modelos Ascend (Ascend Model Manager).
Optimización de Rendimiento y Perfilado
- Comprensión de la optimización del núcleo de IA (AI Core), memoria y tilizado.
- Perfilado de la ejecución de modelos con las herramientas CANN.
- Mejores prácticas para mejorar la velocidad de inferencia y el uso de recursos.
Manejo de Errores y Depuración
- Errores comunes de implementación y su resolución.
- Lectura de registros y uso de la herramienta de diagnóstico de errores.
- Pruebas unitarias y validación funcional de modelos implementados.
Escenarios de Implementación en Edge y Nube
- Implementación en Ascend 310 para aplicaciones en el edge.
- Integración con APIs y microservicios basados en la nube.
- Estudios de casos reales en visión por computadora y PLN (Procesamiento del Lenguaje Natural).
Resumen y Próximos Pasos
Requerimientos
- Experiencia con marcos de trabajo de aprendizaje profundo basados en Python, como TensorFlow o PyTorch.
- Conocimiento de arquitecturas de redes neuronales y flujos de trabajo de entrenamiento de modelos.
- Familiaridad básica con la CLI de Linux y scripting.
Público Objetivo
- Ingenieros de IA que trabajan con la implementación de modelos.
- Profesionales de aprendizaje machine learning enfocados en la aceleración por hardware.
- Desarrolladores de aprendizaje profundo que construyen soluciones de inferencia.
14 Horas
