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 AI Ascend
- Qu'est-ce que CANN ? Rôle dans la pile de calcul IA de Huawei.
- Aperçu de l'architecture des processeurs Ascend (310, 910, etc.).
- Aperçu 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 modèles OM.
- Gestion des opérateurs non pris en charge et des problèmes courants de conversion.
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 d'IA, de la mémoire et du tiling.
- Profilage de l'exécution des modèles à l'aide des outils CANN.
- Meilleures pratiques pour améliorer la vitesse d'inférence et l'utilisation des ressources.
Gestion des erreurs et débogage
- Erreurs de déploiement courantes et leurs résolutions.
- Lecture des journaux et utilisation de l'outil de diagnostic d'erreurs.
- Tests unitaires et validation fonctionnelle des modèles déployés.
Scénarios de déploiement en edge et dans le cloud
- Déploiement sur Ascend 310 pour les applications en edge.
- Intégration avec les API et microservices basés sur le cloud.
- Études de cas réelles en vision par ordinateur et en TAL (Traitement Automatique des Langues).
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 neuronaux et des workflows d'entraînement des modèles.
- Connaissance de base de la CLI Linux et du scriptage.
Audience cible
- Ingénieurs en IA travaillant sur le déploiement de modèles.
- Professionnels du machine learning ciblant l'accélération matérielle.
- Développeurs en deep learning construisant des solutions d'inférence.
14 Heures