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 al desarrollo de operadores personalizados
- ¿Por qué construir operadores personalizados? Casos de uso y restricciones
- Estructura del entorno de ejecución de CANN y puntos de integración de operadores
- Descripción general de TBE, TIK y TVM en el ecosistema de IA de Huawei
Uso de TIK para la programación de operadores a bajo nivel
- Comprensión del modelo de programación TIK y las API admitidas
- Gestión de memoria y estrategia de partición (tiling) en TIK
- Creación, compilación y registro de una operación personalizada con CANN
Pruebas y validación de operaciones personalizadas
- Pruebas unitarias e integración de operadores en el grafo
- Depuración de problemas de rendimiento a nivel de kernel
- Visualización de la ejecución del operador y el comportamiento de los búferes
Programación y optimización basada en TVM
- Descripción general de TVM como compilador para operaciones tensoriales
- Escritura de una programación (schedule) para un operador personalizado en TVM
- Ajuste, evaluación comparativa y generación de código en TVM para Ascend
Integración con marcos de trabajo (frameworks) y modelos
- Registro de operaciones personalizadas para MindSpore y ONNX
- Verificación de la integridad del modelo y el comportamiento de reserva (fallback)
- Soporte para grafos multi-operador con precisión mixta
Estudios de casos y optimizaciones especializadas
- Estudio de caso: convolución de alta eficiencia para formas de entrada pequeñas
- Estudio de caso: optimización del operador de atención consciente de la memoria
- Mejores prácticas en el despliegue de operadores personalizados entre dispositivos
Resumen y próximos pasos
Requerimientos
- Sólidos conocimientos sobre el funcionamiento interno de los modelos de IA y el cálculo a nivel de operador
- Experiencia con entornos de desarrollo en Python y Linux
- Familiaridad con compiladores de redes neuronales o optimizadores a nivel de grafo
Público objetivo
- Ingenieros de compilación que trabajan en herramientas (toolchains) de IA
- Desarrolladores de sistemas enfocados en la optimización de IA a bajo nivel
- Desarrolladores que construyen operaciones personalizadas o dirigen cargas de trabajo de IA novedosas
14 Horas