План на курса

Въведение в AI с ниска мощност

  • Преглед на AI във вградените системи
  • Предизвикателства при внедряването на AI на устройства с ниска мощност
  • Енергийно ефективни AI приложения

Техники за оптимизиране на модела

  • Квантуването и неговото влияние върху производителността
  • Подрязване и споделяне на теглото
  • Дестилация на знания за опростяване на модела

Внедряване на AI модели на хардуер с ниска мощност

  • Използване на TensorFlow Lite и ONNX Runtime за edge AI
  • Оптимизиране на AI модели с NVIDIA TensorRT
  • Хардуерно ускорение с Coral TPU и Jetson Nano

Намаляване на консумацията на енергия в AI приложения

  • Профилиране на мощността и показатели за ефективност
  • Компютърни архитектури с ниска мощност
  • Динамично мащабиране на мощността и адаптивни техники за извод

Казуси и приложения в реалния свят

  • Захранвани с изкуствен интелект IoT устройства, работещи с батерии
  • AI с ниска мощност за здравеопазване и носими устройства
  • Приложения за интелигентен град и мониторинг на околната среда

Най-добри практики и бъдещи тенденции

  • Оптимизиращ крайния AI за устойчивост
  • Напредък в енергийно ефективния AI хардуер
  • Бъдещи разработки в изследванията на ИИ с ниска мощност

Обобщение и следващи стъпки

Изисквания

  • Разбиране на моделите на дълбоко обучение
  • Опит с вградени системи или внедряване на AI
  • Основни познания за техниките за оптимизация на модела

Публика

  • AI инженери
  • Вградени разработчици
  • Хардуерни инженери
 21 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории