Plan Szkolenia

Wprowadzenie

Przegląd Languages, narzędzi i bibliotek potrzebnych do przyspieszenia Computer Vision aplikacji

Konfiguracja OpenVINO

Przegląd OpenVINO zestawu narzędzi i jego komponentów

Zrozumienie Deep Learning akceleracji GPU i FPGA

Pisanie oprogramowania ukierunkowanego na FPGA

Konwersja formatu modelu dla silnika wnioskowania

Mapowanie topologii sieci na architekturę FPGA

Korzystanie ze stosu akceleracji w celu włączenia klastra FPGA

Konfigurowanie aplikacji w celu wykrycia akceleratora FPGA

Wdrażanie aplikacji do rozpoznawania obrazów w świecie rzeczywistym

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Python doświadczenie w programowaniu
  • Doświadczenie z pandas i scikit-learn
  • Doświadczenie w głębokim uczeniu się i wizji komputerowej

Uczestnicy

  • Naukowcy zajmujący się danymi
 35 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie