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
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 integrados y en el borde.
- Comprensión del uso del núcleo de IA (AI Core) y la asignación de memoria.
Uso del Motor de Grafos para análisis
- Introducción al Motor de Grafos y al tubo de ejecución.
- Visualización de grafos de operadores y métricas en tiempo de ejecución.
- Modificación de grafos computacionales para la optimización.
Herramientas de perfilado y métricas de rendimiento
- Uso de la herramienta de perfilado de CANN (profiler) para el análisis de carga de trabajo.
- Análisis del tiempo de ejecución del núcleo y los cuellos de botella.
- Perfilado del acceso a memoria y estrategias de división en fragmentos (tiling).
Desarrollo de operadores personalizados con TIK
- Visión general de TIK y el modelo de programación de operadores.
- Implementación de un operador personalizado utilizando el DSL de TIK.
- Pruebas y evaluación comparativa del rendimiento del operador.
Optimización avanzada de operadores con TVM
- Introducción a la integración de TVM con CANN.
- Estrategias de ajuste automático para grafos computacionales.
- Cuándo y cómo cambiar entre TVM y TIK.
Técnicas de optimización de memoria
- Gestión del diseño de memoria y la colocación de búferes.
- Técnicas para reducir el consumo de memoria en chip.
- Mejores prácticas para la ejecución asíncrona y la reutilización.
Implementación en el mundo real y estudios de caso
- Estudio de caso: ajuste de rendimiento para el tubo de cámaras de ciudad inteligente.
- Estudio de caso: optimización de la pila de inferencia para vehículos autónomos.
- Directrices para el perfilado iterativo y la mejora continua.
Resumen y próximos pasos
Requerimientos
- Sólida comprensión de las arquitecturas de modelos de aprendizaje profundo y los flujos de trabajo de entrenamiento.
- Experiencia con la implementación de modelos utilizando CANN, TensorFlow o PyTorch.
- Familiaridad con la CLI 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 en el borde o sistemas en tiempo real.
14 Horas
