Εξέλιξη Κομματιού

Εισαγωγή στην υποστήριξη CV/NLP με CANN

  • Κύκλος ζωής AI μοντέλου από εκπαίδευση ως υποστήριξη
  • Βασικά κριτήρια απόδοσης για πραγματική χρήση CV και NLP
  • Γενική επισκόπηση των εργαλείων CANN SDK και η ρόλος τους στην ολοκλήρωση μοντέλων

Ετοιμασία CV και NLP μοντέλων

  • Εξαγωγή μοντέλων από PyTorch, TensorFlow, και MindSpore
  • Διαχείριση εισόδων/εξόδων μοντέλου για εργασίες εικόνας και κειμένου
  • Χρησιμοποίηση ATC για μετατροπή μοντέλων σε OM format

Υποστήριξη Πιπάδων Inference με AscendCL

  • Εκτέλεση CV/NLP inference χρησιμοποιώντας την API AscendCL
  • Προεργασίες πιπάδων: αλλαγή μεγέθους εικόνας, tokenization, normalization
  • Μετεργασίες: bounding boxes, classification scores, text output

Τεχνικές βελτιστοποίησης απόδοσης

  • Προφίλ AI μοντέλων CV και NLP χρησιμοποιώντας εργαλεία CANN
  • Μείωση latency με mixed-precision και batch tuning
  • Διαχείριση μνήμης και υπολογιστικών εργασιών για streaming tasks

Εφαρμογές ανίχνευσης εικόνας

  • Case study: object detection για smart surveillance
  • Case study: visual quality inspection σε κατασκευή
  • Κατασκευή live video analytics pipelines σε Ascend 310

Εφαρμογές NLP

  • Case study: sentiment analysis και intent detection
  • Case study: document classification και summarization
  • Πραγματική υποστήριξη NLP με REST APIs και messaging systems

Σύνοψη και επόμενα βήματα

Απαιτήσεις

  • Εξοικείωση με βαθιές επεξεργασίες για ανίχνευση εικόνας ή NLP
  • Εμπειρία με την Python και AI πλατφόρμες όπως TensorFlow, PyTorch, ή MindSpore
  • Βασική κατανόηση της υποστήριξης μοντέλων ή εργασιών απόδοσης

Συμμετέχοντες

  • Ειδικοί ανίχνευσης εικόνας και NLP που χρησιμοποιούν την πλατφόρμα Huawei’s Ascend
  • Επιστήμονες δεδομένων και μηχανικοί AI αναπτύσσοντας εφαρμογές πραγματικό τρόπο
  • Αναπτυξεις που ολοκληρώνουν πιπάδες CANN σε κατασκευή, επίβλεψη, ή ανάλυση δεδομένων
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Σχόλια (1)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες