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.
Duur 14 uren
Cursusaanbod
Inleiding tot CV/NLP-implementatie met CANN
- Levenscyclus van AI-modellen van training tot implementatie
- Belangrijke overwegingen ten aanzien van prestaties voor real-time CV en NLP
- Overzicht van CANN SDK-instrumenten en hun rol bij modellintegratie
Voorbereiden van CV- en NLP-modellen
- Exporteren van modellen uit PyTorch, TensorFlow en MindSpore
- Afhandelen van modelinputs/outputs voor beeld- en texttaken
- ATC gebruiken om modellen om te zetten naar OM-formaat
Implementeren van inferentiepipelines met AscendCL
- Uitvoeren van CV/NLP-inferentie met behulp van de AscendCL API
- Voorbewerkingspipelines: beeldgrootte aanpassen, tokenisatie, normalisatie
- Nabewerking: omkaderingen, classificatiescores, tekstoutput
Technieken voor prestatieoptimalisatie
- Profileren van CV- en NLP-modellen met behulp van CANN-instrumenten
- Verlagen van latentie met gemengde precisie en batchtuning
- Beheer van geheugen en berekening voor streamtaken
Computer vision-toepassingen
- Gevalstudie: objectdetectie voor slimme bewaking
- Gevalstudie: visuele kwaliteitscontrole in de productie
- Bouwen van live videoanalysepipelines op Ascend 310
NLP-toepassingen
- Gevalstudie: sentimentanalyse en intentiedetectie
- Gevalstudie: documentclassificatie en samenvatting
- Real-time NLP-integratie met REST API's en messaging-systemen
Samenvatting en volgende stappen
Vereisten
- Kennis van diep leeren 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-specialisten die het Ascend-platform van Huawei gebruiken
- Datawetenschappers en AI-ingenieurs die real-time waarnemingsmodellen ontwikkelen
- Ontwikkelaars die CANN-pipelines integreren in productie, toezicht of mediageavanceerde analyse
