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 a la implementación de CV/PLN con CANN
- Ciclo de vida del modelo de IA, desde el entrenamiento hasta la implementación
- Consideraciones clave de rendimiento para CV y PLN en tiempo real
- Descripción general de las herramientas CANN SDK y su papel en la integración de modelos
Preparación de modelos de CV y PLN
- Exportación de modelos desde PyTorch, TensorFlow y MindSpore
- Manejo de entradas y salidas del modelo para tareas de imagen y texto
- Uso de ATC para convertir modelos al formato OM
Implementación de canales de trabajo de inferencia con AscendCL
- Ejecución de inferencias de CV/PLN utilizando la API de AscendCL
- Canales de preprocesamiento: redimensionamiento de imágenes, tokenización y normalización
- Postprocesamiento: cajas delimitadoras, puntuaciones de clasificación y salida de texto
Técnicas de optimización de rendimiento
- Perfilado de modelos de CV y PLN utilizando herramientas CANN
- Reducción de latencia mediante precisión mixta y ajuste por lotes
- Gestión de memoria y capacidad de cómputo para tareas en streaming
Casos de uso de Visión por Computadora
- Caso de estudio: detección de objetos para vigilancia inteligente
- Caso de estudio: inspección visual de calidad en manufactura
- Creación de canales de trabajo de análisis de video en vivo en Ascend 310
Casos de uso de PLN
- Caso de estudio: análisis de sentimientos y detección de intenciones
- Caso de estudio: clasificación y resumen de documentos
- Integración de PLN en tiempo real con APIs REST y sistemas de mensajería
Resumen y próximos pasos
Requerimientos
- Familiaridad con el aprendizaje profundo aplicado a visión por computadora o PLN
- Experiencia con Python y frameworks de IA como TensorFlow, PyTorch o MindSpore
- Comprensión básica de flujos de trabajo de implementación e inferencia de modelos
Público objetivo
- Profesionales de visión por computadora y PLN que utilizan la plataforma Ascend de Huawei
- Científicos de datos e ingenieros de IA que desarrollan modelos de percepción en tiempo real
- Desarrolladores que integran canales de trabajo CANN en manufactura, vigilancia o análisis multimedia
14 Horas
