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 la plateforme Huawei Ascend
- Aperçu de l'architecture et de l'écosystème Ascend
- Aperçu de MindSpore et de CANN
- Cas d'utilisation et pertinence sectorielle
Configuration de l'environnement de développement
- Installation du kit d'outils CANN et de MindSpore
- Utilisation de ModelArts et de CloudMatrix pour l'orchestration des projets
- Test de l'environnement avec des modèles d'exemple
Développement de modèles avec MindSpore
- Définition et entraînement de modèles dans MindSpore
- Pipelines de données et formatage des jeux de données
- Exportation des modèles vers un format compatible Ascend
Optimisation des performances sur Ascend
- Fusion d'opérateurs et noyaux personnalisés
- Stratégie de tuilage et planification des cœurs IA
- Outils de référence et de profilage
Stratégies de déploiement
- Avantages et inconvénients du déploiement en périphérie versus dans le nuage
- Utilisation du SDK MindX pour le déploiement
- Intégration avec les flux de travail CloudMatrix
Débogage et surveillance
- Utilisation de Profiler et d'AiD pour le traçage
- Débogage des défaillances d'exécution
- Surveillance de l'utilisation des ressources et du débit
Étude de cas et intégration au laboratoire
- Développement du pipeline complet à l'aide de MindSpore
- Laboratoire : construction, optimisation et déploiement d'un modèle sur Ascend
- Comparaison des performances avec d'autres plateformes
Résumé et prochaines étapes
Pré requis
- Une compréhension des réseaux de neurones et des flux de travail IA
- De l'expérience en programmation Python
- Une familiarité avec les pipelines d'entraînement et de déploiement de modèles
Public cible
- Ingénieurs IA
- Scientifiques des données travaillant avec la pile IA de Huawei
- Développeurs ML utilisant Ascend et MindSpore
21 Heures
Nos clients témoignent (1)
J'ai acquis des connaissances sur la bibliothèque Streamlit en Python et je vais certainement essayer de l'utiliser pour améliorer les applications de mon équipe qui sont actuellement développées avec R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Formation - GitHub Copilot for Developers
Traduction automatique