Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à la plateforme Huawei Ascend
- Vue d'ensemble de l'architecture et de l'écosystème Ascend
- Vue d'ensemble de MindSpore et CANN
- Cas d'utilisation et pertinence sectorielle
Configuration de l'environnement de développement
- Installation de la boîte à outils CANN et de MindSpore
- Utilisation de ModelArts et CloudMatrix pour l'orchestration de projets
- Test de l'environnement avec des modèles d'exemple
Développement de modèles avec MindSpore
- Définition et entraînement de modèles dans MindSpore
- Pipelines de données et formatage des jeux de données
- Exportation des modèles vers un format compatible Ascend
Optimisation des performances sur Ascend
- Fusion d'opérateurs et noyaux personnalisés
- Stratégie de tuilage et ordonnancement des cœurs IA (AI Core)
- Outils d'analyse de performance et de profilage
Stratégies de déploiement
- Compromis entre le déploiement edge et cloud
- Utilisation du SDK MindX pour le déploiement
- Intégration avec les flux de travail CloudMatrix
Débogage et surveillance
- Utilisation de Profiler et AiD pour la traçabilité
- Résolution des défaillances au moment de l'exécution
- Surveillance de l'utilisation des ressources et du débit
Étude de cas et intégration des travaux pratiques
- Développement complet du pipeline en utilisant MindSpore
- Travail pratique : Construire, optimiser et déployer un modèle sur Ascend
- Comparaison des performances avec d'autres plateformes
Résumé et prochaines étapes
Pré requis
- Une compréhension des réseaux neuronaux et des flux de travail IA
- De l'expérience en programmation Python
- La familiarité avec les pipelines d'entraînement et de déploiement de modèles
Public cible
- Ingénieurs IA
- Data scientists travaillant avec la pile IA Huawei
- Développeurs ML utilisant Ascend et MindSpore
21 Heures
Nos clients témoignent (1)
J'ai acquis des connaissances sur la bibliothèque Streamlit en Python et je vais certainement essayer de l'utiliser pour améliorer les applications de mon équipe qui sont actuellement développées avec R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Formation - GitHub Copilot for Developers
Traduction automatique