Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Εισαγωγή στο Οικοσύστημα ΤΝ της Huawei
- Επισκόπηση υλικού Ascend AI: 310, 910 και 910B
- Στοιχεία υψηλού επιπέδου: MindSpore, CANN, AscendCL
- Τοποθέτηση στον κλάδο και αρχές αρχιτεκτονικής
Ο Ρόλος του CANN στη Στοίβα ΤΝ της Huawei
- Τι είναι το CANN; Σκοπός του SDK και εσωτερικά επίπεδα
- ATC, TBE και AscendCL: μεταγλώττιση και εκτέλεση μοντέλων
- Πώς το CANN υποστηρίζει τη βελτιστοποίηση και ανάπτυξη συμπερασμάτων
Επισκόπηση και Αρχιτεκτονική του MindSpore
- Ροές εργασίας εκπαίδευσης και συμπερασμάτων στο MindSpore
- Λειτουργία γράφου, PyNative και αφαίρεση υλικού
- Ενσωμάτωση με NPU Ascend μέσω του backend CANN
Κύκλος Ζωής ΤΝ στο Ascend: Από την Εκπαίδευση στην Ανάπτυξη
- Δημιουργία μοντέλων στο MindSpore ή μετατροπή από άλλα πλαίσια
- Εξαγωγή και μεταγλώττιση μοντέλων με χρήση ATC
- Ανάπτυξη σε υλικό Ascend με χρήση μοντέλων OM και AscendCL
Σύγκριση με Άλλες Στοίβες ΤΝ
- MindSpore έναντι PyTorch, TensorFlow: εστίαση και τοποθέτηση
- Ροές εργασίας ανάπτυξης σε Ascend έναντι στοιβών βασισμένων σε GPU
- Ευκαιρίες και περιορισμοί για επιχειρησιακή χρήση
Σενάρια Επιχειρησιακής Ενσωμάτωσης
- Περιπτώσεις χρήσης σε έξυπνη μεταποίηση, κρατική ΤΝ και τηλεπικοινωνίες
- Θέματα επεκτασιμότητας, συμμόρφωσης και οικοσυστήματος
- Υβριδική ανάπτυξη cloud/on-prem με χρήση της στοίβας της Huawei
Σύνοψη και Επόμενα Βήματα
Απαιτήσεις
- Εξοικείωση με ροές εργασίας ΤΝ ή αρχιτεκτονική πλατφορμών
- Βασική κατανόηση της εκπαίδευσης και ανάπτυξης μοντέλων
- Δεν απαιτείται προηγούμενη πρακτική εμπειρία με το CANN ή το MindSpore
Κοινό
- Αξιολογητές πλατφορμών ΤΝ και αρχιτέκτονες υποδομών
- Ενσωματωτές DevOps και pipelines ΤΝ/ML
- Διευθυντές τεχνολογίας και λήπτες αποφάσεων
14 Ώρες