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 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