Optimización del rendimiento de redes neuronales con CANN SDK

Vista general de las capacidades de optimización de CANN

• Cómo se gestiona el rendimiento de inferencia en CANN
• Objetivos de optimización para sistemas de IA en el borde y embebidos
• Comprensión de la utilización de AI Core y la asignación de memoria

Uso de Graph Engine para el análisis

• Introducción al Graph Engine y la tubería de ejecución (pipeline)
• Visualización de gráficos de operadores y métricas de tiempo de ejecución
• Modificación de gráficos computacionales para optimización

Herramientas de perfilado y métricas de rendimiento

• Uso de la herramienta de perfilado de CANN (profiler) para el análisis de cargas de trabajo
• Análisis del tiempo de ejecución de kernels y cuellos de botella
• Perfilado de acceso a memoria y estrategias de particionamiento (tiling)

Desarrollo de operadores personalizados con TIK

• Vista general de TIK y el modelo de programación de operadores
• Implementación de un operador personalizado usando el DSL de TIK
• Pruebas y medición de rendimiento (benchmarking) del operador

Optimización avanzada de operadores con TVM

• Introducción a la integración de TVM con CANN
• Estrategias de auto-ajuste (auto-tuning) para gráficos computacionales
• Cuándo y cómo cambiar entre TVM y TIK

Técnicas de optimización de memoria

• Gestión de la estructura de memoria y la colocación de búferes
• Técnicas para reducir el consumo de memoria en el chip
• Mejores prácticas para la ejecución asíncrona y la reutilización

Despliegue en el mundo real y estudios de caso

• Estudio de caso: ajuste de rendimiento para la tubería de cámaras de ciudades inteligentes
• Estudio de caso: optimización de la pila de inferencia para vehículos autónomos
• Directrices para el perfilado iterativo y la mejora continua

Resumen y siguientes pasos