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
Introducción al desarrollo de operadores personalizados
- ¿Por qué construir operadores personalizados? Casos de uso y restricciones.
- Estructura del tiempo de ejecución de CANN y puntos de integración de operadores.
- Descripción general de TBE, TIK y TVM en el ecosistema de IA de Huawei.
Uso de TIK para la programación de operadores de bajo nivel
- Comprensión del modelo de programación de TIK y las API admitidas.
- Gestión de memoria y estrategia de particionamiento (tiling) en TIK.
- Creación, compilación y registro de un operador personalizado con CANN.
Pruebas y validación de operadores personalizados
- Pruebas unitarias e integración de operadores en el gráfico.
- Depuración de problemas de rendimiento a nivel de núcleo (kernel).
- Visualización de la ejecución del operador y el comportamiento de los búferes.
Programación y optimización basada en TVM
- Descripción general de TVM como compilador para operadores tensoriales.
- Escritura de un plan (schedule) para un operador personalizado en TVM.
- Ajuste, evaluación comparativa y generación de código con TVM para Ascend.
Integración con frameworks y modelos
- Registro de operadores personalizados para MindSpore y ONNX.
- Verificación de la integridad del modelo y el comportamiento de retroceso (fallback).
- Soporte para gráficos multiroperador con precisión mixta.
Estudios de caso y optimizaciones especializadas
- Estudio de caso: convolución de alta eficiencia para formas de entrada pequeñas.
- Estudio de caso: optimización del operador de atención consciente de la memoria.
- Mejores prácticas en el despliegue de operadores personalizados a través de dispositivos.
Resumen y próximos pasos
Requerimientos
- Conocimientos sólidos de la lógica interna de los modelos de IA y del cómputo a nivel de operador
- Experiencia con entornos de desarrollo Python y Linux
- Familiaridad con compiladores de redes neuronales u optimizadores a nivel de gráfico
Audiencia objetivo
- Ingenieros de compiladores que trabajan en herramientas para IA
- Desarrolladores de sistemas enfocados en la optimización de bajo nivel para IA
- Desarrolladores que crean operadores personalizados o se dirigen a nuevas cargas de trabajo de IA
14 Horas