Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wprowadzenie do ekosystemu AI Huawei
- Przegląd sprzętu AI Ascend: 310, 910 i 910B
- Komponenty wysokopoziomowe: MindSpore, CANN, AscendCL
- Pozycjonowanie branżowe i zasady architektury
Rola CANN w stosie AI Huawei
- Czym jest CANN? Przeznaczenie zestawu SDK i warstwy wewnętrzne
- ATC, TBE i AscendCL: kompilowanie i wykonywanie modeli
- Jak CANN wspiera optymalizację i wdrażanie inferencji
Przegląd i architektura MindSpore
- Procesy trenowania i inferencji w MindSpore
- Tryb grafowy, PyNative i abstrakcja sprzętowa
- Integracja z NPU Ascend za pośrednictwem backendu CANN
Cykl życia AI na Ascend: od trenowania do wdrożenia
- Tworzenie modelu w MindSpore lub konwersja z innych frameworków
- Eksportowanie i kompilowanie modeli przy użyciu ATC
- Wdrażanie na sprzęcie Ascend przy użyciu modeli OM i AscendCL
Porównanie z innymi stosami AI
- MindSpore vs. PyTorch, TensorFlow: cele i pozycjonowanie
- Procesy wdrażania na Ascend vs. stosy oparte na GPU
- Możliwości i ograniczenia w zastosowaniach korporacyjnych
Scenariusze integracji korporacyjnej
- Przypadki użycia w inteligentnej produkcji, AI rządowym i telekomunikacji
- Skalowalność, zgodność i uwarunkowania ekosystemowe
- Hybrydowe wdrożenie chmura/on-prem przy użyciu stosu Huawei
Podsumowanie i kolejne kroki
Wymagania
- Znajomość procesów roboczych AI lub architektury platform
- Podstawowa wiedza na temat trenowania i wdrażania modeli
- Wcześniejsze praktyczne doświadczenie z CANN lub MindSpore nie jest wymagane
Grupa docelowa
- Ewaluatorzy platform AI i architekci infrastruktury
- Integratorzy DevOps i potoków AI/ML
- Menedżerowie technologii i decydenci
