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

Aantal deelnemers


Prijs Per Deelnemer

Getuigenissen (1)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën