Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot CV/NLP-implementatie met CANN
- AI-modellevenscyclus van training tot implementatie
- Belangrijke prestatieaspecten voor real-time CV en NLP
- Overzicht van CANN SDK-tools en hun rol in modelintegratie
CV- en NLP-modellen voorbereiden
- Modellen exporteren uit PyTorch, TensorFlow en MindSpore
- Model-invoer/uitvoer beheren voor afbeeldings- en teksttaken
- ATC gebruiken om modellen naar OM-formaat te converteren
Inference-pijplijnen implementeren met AscendCL
- CV/NLP-inference uitvoeren met de AscendCL API
- Preprocessing-pijplijnen: afbeeldingsvergroting, tokenisering, normalisatie
- Postprocessing: begrenzende vakken, classificatiescores, tekstuitvoer
Prestatieoptimalisatietechnieken
- Profileren van CV- en NLP-modellen met CANN-tools
- Latentietijd verminderen met mixed-precision en batch tuning
- Geheugen- en berekeningsbeheer voor streaming-taken
Computer vision-gebruiksvoorbeelden
- Case study: objectdetectie voor slimme bewaking
- Case study: visuele kwaliteitsinspectie in de industrie
- Live videoanalysepijplijnen bouwen op Ascend 310
NLP-gebruiksvoorbeelden
- Case study: sentimentanalyse en intentieherkenning
- Case study: documentclassificatie en -samenvatting
- Real-time NLP-integratie met REST-API's en berichtensystemen
Samenvatting en volgende stappen
Vereisten
- Vertrouwdheid met deep learning voor computer vision of NLP
- Ervaring met Python en AI-frameworks zoals TensorFlow, PyTorch, of MindSpore
- Basisbegrip van modelimplementatie- of inferentiewerkstromen
Doelgroep
- Computer vision- en NLP-praktijkers die werken met Huawei’s Ascend-platform
- Data scientists en AI-ingenieurs die real-time perceptiemodellen ontwikkelen
- Ontwikkelaars die CANN-pijplijnen integreren in de industrie, bewaking of media-analyse
14 Uren
Getuigenissen (1)
I genuinely enjoyed the hands-on approach.