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 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.
Precio por grupo privado (formación online) desde 2900 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales