Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Visión general de las capacidades de optimización de CANN
- Cómo se maneja el rendimiento de inferencia en CANN
- Objetivos de optimización para sistemas de IA embebida y en el borde
- Comprensión del uso del Núcleo de IA y la asignación de memoria
Uso del Motor de Gráficos para análisis
- Introducción al Motor de Gráficos y la canalización de ejecución
- Visualización de grafos de operadores y métricas de tiempo de ejecución
- Modificación de grafos computacionales para optimización
Herramientas de perfilado y métricas de rendimiento
- Uso de la herramienta de perfilado de CANN (profiler) para análisis de carga de trabajo
- Análisis del tiempo de ejecución del núcleo y los cuellos de botella
- Perfilado del acceso a memoria y estrategias de fragmentación
Desarrollo de operadores personalizados con TIK
- Visión general de TIK y modelo de programación de operadores
- Implementación de un operador personalizado utilizando TIK DSL
- Pruebas y evaluación comparativa del rendimiento del operador
Optimización avanzada de operadores con TVM
- Introducción a la integración de TVM con CANN
- Estrategias de autoajuste para grafos computacionales
- Cuándo y cómo cambiar entre TVM y TIK
Técnicas de optimización de memoria
- Gestión del diseño de memoria y la ubicación de búferes
- Técnicas para reducir el consumo de memoria en el chip
- Mejores prácticas para ejecución asíncrona y reutilización
Implementación del mundo real y estudios de caso
- Estudio de caso: ajuste de rendimiento para el flujo de trabajo de cámaras de ciudades inteligentes
- Estudio de caso: optimización de la pila de inferencia para vehículos autónomos
- Directrices para perfilado iterativo y mejora continua
Resumen y próximos pasos
Requerimientos
- Conocimiento sólido de arquitecturas de modelos de aprendizaje profundo y flujos de trabajo de entrenamiento
- Experiencia con implementación de modelos utilizando CANN, TensorFlow o PyTorch
- Familiaridad con CLI de Linux, scripting de shell y programación en Python
Público objetivo
- Ingenieros de rendimiento de IA
- Especialistas en optimización de inferencia
- Desarrolladores que trabajan con IA en el borde o sistemas en tiempo real
14 Horas