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 computación para IA de Huawei.
- Descripción general de la arquitectura del procesador Ascend (310, 910, etc.).
- Resumen de los frameworks de IA compatibles y el conjunto de herramientas asociado.
Conversión y compilación de modelos
- Uso de la herramienta ATC para la conversión de modelos (TensorFlow, PyTorch, ONNX).
- Creación y validación de archivos de modelo OM.
- Manejo de operadores no soportados y problemas comunes de conversión.
Despliegue con MindSpore y otros frameworks
- Despliegue de modelos con MindSpore Lite.
- Integración de modelos OM con API de Python o SDKs en C++.
- Trabajo con Ascend Model Manager.
Optimización del rendimiento y perfilado
- Comprensión de las optimizaciones de núcleos de IA (AI Core), memoria y mosaico (tiling).
- Perfilado de la ejecución del modelo 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 de error (logs) y uso de la herramienta de diagnóstico de errores.
- Pruebas unitarias y validación funcional de modelos desplegados.
Escenarios de despliegue en el borde (edge) y en la nube
- Despliegue en Ascend 310 para aplicaciones edge.
- 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.
- Comprensión de las arquitecturas de redes neuronales y los flujos de trabajo de entrenamiento de modelos.
- Familiaridad básica con la interfaz de línea de comandos (CLI) de Linux y scripting.
Público objetivo
- Ingenieros de IA que trabajan con el despliegue de modelos.
- Profesionales del aprendizaje machine learning que buscan aceleración por hardware.
- Desarrolladores de deep learning que construyen soluciones de inferencia.
14 Horas
