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
Resumen 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 e integrada.
- Comprensión del uso de los núcleos de IA (AI Core) y la asignación de memoria.
Uso del Graph Engine para análisis
- Introducción al Graph Engine y la canalización de ejecución.
- Visualización de gráficos de operadores y métricas en tiempo de ejecución.
- Modificación de gráficos computacionales para la 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 núcleos y cuellos de botella.
- Perfilado del acceso a la memoria y estrategias de particionamiento en bloques (tiling).
Desarrollo de operadores personalizados con TIK
- Resumen de TIK y el modelo de programación de operadores.
- Implementación de un operador personalizado utilizando el DSL de TIK.
- Pruebas y medición del rendimiento del operador.
Optimización avanzada de operadores con TVM
- Introducción a la integración de TVM con CANN.
- Estrategias de autoajuste (auto-tuning) para gráficos computacionales.
- Cuándo y cómo cambiar entre TVM y TIK.
Técnicas de optimización de memoria
- Gestión del diseño de la memoria y la ubicación de los búferes.
- Técnicas para reducir el consumo de memoria en el chip.
- Mejores prácticas para la ejecución asíncrona y la reutilización.
Implementación en entornos reales y estudios de caso
- Estudio de caso: ajuste del rendimiento para la canalización 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 próximos pasos
Requerimientos
- Sólida comprensión de las arquitecturas de modelos de aprendizaje profundo y los flujos de entrenamiento.
- Experiencia en la implementación de modelos utilizando CANN, TensorFlow o PyTorch.
- Conocimiento de la CLI de Linux, scripting en 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.
14 Horas
