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 l'écosystème AI de Huawei
- Hardware Ascend AI : aperçu des modèles 310, 910 et 910B
- Composants de haut niveau : MindSpore, CANN, AscendCL
- Positionnement industriel et principes architecturaux
Le rôle de CANN dans la pile AI de Huawei
- Qu'est-ce que CANN ? Objectifs du SDK et couches internes
- ATC, TBE et AscendCL : compilation et exécution des modèles
- Comment CANN supporte l'optimisation de l'inférence et le déploiement
Aperçu et architecture de MindSpore
- Flux de travail pour la formation et l'inférence dans MindSpore
- Mode graphique, PyNative et abstraction matérielle
- Intégration avec le NPU Ascend via le backend CANN
Cycle de vie AI sur Ascend : Formation à Déploiement
- Création de modèles dans MindSpore ou conversion d'autres cadres
- Export et compilation des modèles avec ATC
- Déploiement sur le matériel Ascend en utilisant les modèles OM et AscendCL
Comparaison avec d'autres piles AI
- MindSpore vs PyTorch, TensorFlow : focus et positionnement
- Flux de travail pour le déploiement sur Ascend vs piles basées sur GPU
- Opportunités et limitations pour l'utilisation par les entreprises
Scénarios d'intégration dans les entreprises
- Cas d'utilisation dans la fabrication intelligente, l'IA gouvernementale et les télécommunications
- Scalabilité, conformité et considérations écosystémiques
- Déploiement hybride cloud/local en utilisant la pile Huawei
Résumé et prochains pas
Pré requis
- Familiarité avec les workflows ou l'architecture de plateforme IA
- Compréhension de base du entraînement et déploiement des modèles
- Aucune expérience pratique antérieure avec CANN ou MindSpore n'est requise
Public cible
- Évaluateurs de plateformes IA et architectes d'infrastructure
- Intégrateurs de pipelines AI/ML DevOps
- Responsables technologiques et décideurs
14 Heures