Свържете се с нас

Съдържание и теми, включени в курса

Въведение в Edge AI и Nano Banana

  • Ключови характеристики на Edge AI работните натоварвания
  • Архитектура и възможности на Nano Banana
  • Сравнение на стратегии за разполагане в Edge срещу Cloud

Подготвяне на модели за Edge разполагане

  • Избор на модели и базова оценка
  • Разглеждане на зависимости и съвместимост
  • Експортиране на модели за допълнителна оптимизация

Техники за компресия на модели

  • Стратегии за прореждане и структурна разреженост
  • Споделено тегло и намаляване на параметрите
  • Оценка на въздействието на компресията

Квантуване за Edge ефективност

  • Методи за квантуване след обучението
  • Работни процеси за обучение, осъзнаващо квантуването
  • Подходи INT8, FP16 и смесена прецизност

Ускоряване с Nano Banana

  • Използване на ускорявачите на Nano Banana
  • Интегриране на ONNX и хардуерни бекендове
  • Бенчмаркиране на ускорения инференс

Разполагане на Edge устройства

  • Интегриране на модели в вградените или мобилни приложения
  • Конфигурация и мониторинг на време за изпълнение
  • Отстраняване на проблеми при разполагане

Профилиране на производителността и анализ на компромисите

  • Латентност, пропускарска способност и термични ограничения
  • Компромис между точност и производителност
  • Итеративни стратегии за оптимизация

Добри практики за поддържане на Edge AI системи

  • Версиониране и непрекъснати актуализации
  • Оттегляне на модели и управление на съвместимост
  • Разглеждане на въпроси за сигурност и цялост

Резюме и следващи стъпки

Изисквания

  • Разбиране на работните процеси в машинното обучение
  • Опит с разработване на модели на базата на Python
  • Знакомство с архитектури на невронни мрежи

Аудитория

  • ML инженери
  • Дата сайънтисти
  • МЛ Ops практици
 14 Часа

Брой участници


Цена за участник

Отзиви от участници (1)

Предстоящи Курсове

Свързани Kатегории