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 CANN et aux processeurs IA Ascend
- Qu'est-ce que CANN ? Son rôle dans la pile de calcul IA de Huawei
- Aperçu de l'architecture des processeurs Ascend (310, 910, etc.)
- Aperçu des frameworks d'IA pris en charge et de la chaîne d'outils
Conversion et compilation des modèles
- Utilisation de l'outil ATC pour la conversion des modèles (TensorFlow, PyTorch, ONNX)
- Création et validation des fichiers de modèles OM
- Gestion des opérateurs non pris en charge et résolution des problèmes de conversion courants
Déploiement avec MindSpore et d'autres frameworks
- Déploiement de modèles avec MindSpore Lite
- Intégration des modèles OM avec les API Python ou les SDK C++
- Utilisation d'Ascend Model Manager
Optimisation des performances et profilage
- Compréhension des optimisations du cœur IA, de la mémoire et du dallement (tiling)
- Profilage de l'exécution des modèles avec les outils CANN
- Bonnes pratiques pour améliorer la vitesse d'inférence et l'utilisation des ressources
Gestion des erreurs et débogage
- Erreurs de déploiement courantes et leurs solutions
- Lecture des journaux et utilisation de l'outil de diagnostic d'erreurs
- Tests unitaires et validation fonctionnelle des modèles déployés
Scénarios de déploiement en périphérie et dans le cloud
- Déploiement sur Ascend 310 pour des applications en périphérie
- Intégration avec des API et des microservices cloud
- Études de cas réelles en vision par ordinateur et en traitement du langage naturel (NLP)
Résumé et prochaines étapes
Pré requis
- Expérience avec des frameworks d'apprentissage profond basés sur Python tels que TensorFlow ou PyTorch
- Compréhension des architectures de réseaux neuronaux et des workflows d'entraînement des modèles
- Connaissance de base de la CLI Linux et du scriptage
Public visé
- Ingénieurs en IA travaillant sur le déploiement de modèles
- Professionnels du machine learning ciblant l'accélération matérielle
- Développeurs en deep learning élaborant des solutions d'inférence
14 Heures