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 ? Rôle dans la pile de calcul IA de Huawei
- Vue d'ensemble de l'architecture des processeurs Ascend (310, 910, etc.)
- Vue d'ensemble des frameworks IA pris en charge et de la chaîne d'outils
Conversion et compilation des modèles
- Utilisation de l'outil ATC pour la conversion de modèles (TensorFlow, PyTorch, ONNX)
- Création et validation des fichiers de modèle OM
- Gestion des opérateurs non pris en charge et 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 des cœurs IA, de la mémoire et du 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 des erreurs
- Tests unitaires et validation fonctionnelle des modèles déployés
Scénarios de déploiement sur le bord et dans le cloud
- Déploiement sur Ascend 310 pour les applications sur le bord
- Intégration avec des API basées sur le cloud et des microservices
- Études de cas réelles en vision par ordinateur et TALN
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 de neurones et des flux de travail d'entraînement des modèles
- Familiarité de base avec le CLI Linux et le scriptage
Public cible
- Ingénieurs IA travaillant sur le déploiement de modèles
- Praticiens de l'apprentissage automatique visant l'accélération matérielle
- Développeurs en apprentissage profond créant des solutions d'inférence
14 Heures