Optimización del rendimiento de redes neuronales con CANN SDK

Visión general de las capacidades de optimización de CANN

• Cómo se gestiona el rendimiento de inferencia en CANN
• Objetivos de optimización para sistemas de IA de borde e incrustados
• Comprensión de la utilización de AI Core y la asignación de memoria

Uso del Graph Engine para el análisis

• Introducción al Graph Engine y al pipeline de ejecución
• Visualización de grafos de operadores y métricas de tiempo de ejecución
• Modificación de grafos computacionales para la optimización

Herramientas de perfilado y métricas de rendimiento

• Uso de la herramienta de perfilado de CANN (profiler) para el análisis de carga de trabajo
• Análisis del tiempo de ejecución de kernels y cuellos de botella
• Perfilado de acceso a memoria y estrategias de *tiling*

Desarrollo de operadores personalizados con TIK

• Resumen de TIK y el modelo de programación de operadores
• Implementación de un operador personalizado utilizando TIK DSL
• Pruebas y medición de rendimiento (*benchmarking*) del operador

Optimización avanzada de operadores con TVM

• Introducción a la integración de TVM con CANN
• Estrategias de ajuste automático (*auto-tuning*) para grafos computacionales
• Cuándo y cómo cambiar entre TVM y TIK

Técnicas de optimización de memoria

• Gestión de la disposición de memoria y ubicación de buffers
• Técnicas para reducir el consumo de memoria *on-chip*
• Prácticas recomendadas para la ejecución asíncrona y la reutilización

Despliegue en el mundo real y estudios de caso

• Estudio de caso: ajuste de rendimiento para el pipeline de cámaras de ciudades inteligentes
• Estudio de caso: optimización del stack de inferencia para vehículos autónomos
• Directrices para el perfilado iterativo y la mejora continua

Resumen y próximos pasos