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.
Duración 14 horas
Temario del curso
Visión general de las capacidades de optimización de CANN
- Cómo se gestiona el rendimiento de la inferencia en CANN.
- Objetivos de optimización para sistemas de IA perimetral (edge) y embebidos.
- Comprensión del uso de los núcleos de IA (AI Cores) y la asignación de memoria.
Uso del Graph Engine para el análisis
- Introducción al Graph Engine y al pipeline de ejecución.
- Visualización de los grafos de operadores y las métricas de tiempo de ejecución.
- Modificación de los grafos de cálculo para la optimización.
Herramientas de perfiles (profiling) y métricas de rendimiento
- Uso de la herramienta de perfiles de CANN (profiler) para el análisis de carga de trabajo.
- Análisis del tiempo de ejecución del kernel y de los cuellos de botella.
- Perfiles de acceso a la memoria y estrategias de fragmentación (tiling).
Desarrollo de operadores personalizados con TIK
- Visión general de TIK y el modelo de programación de operadores.
- Implementación de un operador personalizado utilizando DSL de TIK.
- Pruebas y benchmarks del rendimiento del operador.
Optimización avanzada de operadores con TVM
- Introducción a la integración de TVM con CANN.
- Estrategias de ajuste automático (auto-tuning) para grafos de cálculo.
- Cuándo y cómo cambiar entre TVM y TIK.
Técnicas de optimización de memoria
- Gestión de la disposición de la memoria y la colocación de búferes.
- Técnicas para reducir el consumo de memoria en el chip.
- Buenas prácticas para la ejecución asíncrona y la reutilización.
Despliegue en el mundo real y casos de estudio
- Caso de estudio: ajuste de rendimiento para el pipeline de cámaras de ciudades inteligentes.
- Caso de estudio: optimización de la pila de inferencia para vehículos autónomos.
- Directrices para el perfilado iterativo y la mejora continua.
Resumen y próximos pasos
Requerimientos
- Sólido conocimiento de las arquitecturas de modelos de aprendizaje profundo y los flujos de trabajo de entrenamiento.
- Experiencia en el despliegue de modelos utilizando CANN, TensorFlow o PyTorch.
- Familiaridad con la interfaz de línea de comandos de Linux, scripting de shell y programación en Python.
Público objetivo
- Ingenieros de rendimiento de IA.
- Especialistas en optimización de inferencia.
- Desarrolladores que trabajan con IA perimetral (edge AI) o sistemas en tiempo real.
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.
Precio por grupo privado (formación online) desde 2900 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
