Contacta con nosotros

Temario del curso

Introducción a CANN y Procesadores de IA Ascend

  • ¿Qué es CANN? Papel dentro de la pila de cómputo para IA de Huawei
  • Descripción general de la arquitectura de procesadores Ascend (310, 910, etc.)
  • Frameworks de IA compatibles y descripción general del conjunto 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 compatibles e incidencia común durante la conversión

Despliegue con MindSpore y Otros Frameworks

  • Despliegue de modelos con MindSpore Lite
  • Integración de modelos OM con APIs de Python o SDKs en C++
  • Trabajo con Ascend Model Manager (Gestor de Modelos)

Optimización del Rendimiento y Análisis (Profiling)

  • Comprensión de las optimizaciones en Núcleos de IA, memoria y tilizado
  • Análisis de ejecución de modelos con herramientas CANN
  • Mejores prácticas para mejorar la velocidad de inferencia y el uso de recursos

Manejo de Errores y Depuración

  • Errores comunes de despliegue y su resolución
  • Lectura de registros (logs) y uso de la herramienta de diagnóstico de errores
  • Pruebas unitarias y validación funcional de modelos desplegados

Escenarios de Despliegue en Edge y Cloud

  • Despliegue en Ascend 310 para aplicaciones de edge (borde)
  • Integración con APIs basadas en la nube y microservicios
  • Estudios de casos reales en visión por computadora y procesamiento de lenguaje natural (NLP)

Resumen y Próximos Pasos

Requerimientos

  • Experiencia con frameworks 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 dedicados al despliegue de modelos
  • Practicantes de aprendizaje machine learning que buscan aceleración por hardware
  • Desarrolladores de deep learning que construyen soluciones de inferencia
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas