Solicitar información

Temario del curso

Introducción a las capacidades de optimización ofrecidas por CANN

  • Cómo se gestiona el rendimiento durante la inferencia en CANN
  • Objetivos de optimización para sistemas de IA embebidos y en entornos periféricos
  • Comprensión del uso de los núcleos AI y la asignación de memoria

Uso de Graph Engine para el análisis

  • Presentación general de Graph Engine y su flujo de ejecución
  • Visualización de gráficos de operadores y métricas en tiempo de ejecución
  • Modificación de los grafos computacionales para lograr mejoras de rendimiento

Herramientas de perfilado y métricas de desempeño

  • Aplicación del Herramienta de Perfilado CANN (profiler) para analizar cargas de trabajo
  • Estudio detallado del tiempo de ejecución de kernels y sus posibles cuellos de botella
  • Análisis de acceso a memoria y estrategias eficaces para distribuir los datos en bloques

Desarrollo de operadores personalizados con TIK

  • Introducción al modelo de programación basado en TIK y su funcionamiento como entorno para crear operadores
  • Diseño e implementación de operadores nuevos mediante el lenguaje DSL de TIK
  • Pruebas exhaustivas y evaluaciones de rendimiento correspondientes a los operadores desarrollados

Optimización avanzada de operadores con TVM

  • Aspectos iniciales sobre la integración de TVM con CANN
  • Técnicas de ajuste automático para optimizar los grafos computacionales generados
  • Detalles precisos acerca de cuándo y cómo alternar entre el uso de TVM o TIK según las circunstancias dadas

Técnicas avanzadas para optimizar el uso de memoria

  • Gestión eficaz del diseño y disposición espacial de los bloques de memoria asignados
  • Estrategias probadas para reducir drásticamente el consumo de memoria en chips propios
  • Mejores prácticas vinculadas a la ejecución asíncrona y aprovechamiento inteligente de los recursos disponibles

Casos prácticos reales y análisis detallado de aplicaciones concretas

  • Estudio de caso: afinamiento del rendimiento de flujos de datos provenientes de cámaras urbanas inteligentes
  • Ejemplo práctico: lograr optimización sustancial en sistemas dedicados al manejo automático de vehículos
  • Lineamientos estructurados que orientan la realización constante y progresiva del perfilado correspondiente<\/li>

Síntesis general y propuestas para los siguientes pasos a seguir

Requerimientos

  • Conocimientos sólidos sobre arquitecturas de modelos de aprendizaje profundo y flujos de trabajo de entrenamiento
  • Experiencia en la implementación de modelos con CANN, TensorFlow o PyTorch
  • Dominio del uso de la línea de comandos en Linux, scripting shell y programación en Python

Público objetivo

  • Ingenieros especializados en rendimiento de IA
  • Especialistas en optimización de inferencia de modelos
  • Desarrolladores que trabajan con sistemas de IA en entornos periféricos o tiempo real
 14 Horas

Formación Corporativa a Medida

Soluciones de formación diseñadas exclusivamente para empresas.

  • Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
  • Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
  • Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Inversión

Precio por grupo privado (formación online) desde 2900 € + IVA*

Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales

Próximos cursos

Categorías Relacionadas