Prenez contact avec nous

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires