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 Ecosistema de IA de Huawei
- Hardware de IA Ascend: chips 310, 910 y 910B.
- MindSpore, CANN y herramientas de soporte.
- Flujo de trabajo del desarrollo de IA: desde el entrenamiento hasta el despliegue.
Comprensión del Kit de Herramientas CANN
- Qué es CANN y por qué es importante.
- Descripción general de los componentes principales (ATC, AscendCL, bibliotecas de operadores).
- El papel de CANN en las canalizaciones de inferencia de IA.
Primeros Pasos con MindSpore y CANN
- Configuración del entorno (MindSpore + CANN + Python).
- Entrenamiento de un modelo básico en MindSpore.
- Exportación y conversión del modelo utilizando ATC.
Ejecución de Inferencia en Dispositivos Ascend
- Uso del modelo OM con AscendCL o APIs de Python.
- Procesamiento básico de entradas y salidas.
- Validación de las salidas del modelo.
Trabajo con Otros Marcos de Trabajo
- Descripción general del soporte para TensorFlow, PyTorch y ONNX.
- Operadores compatibles y limitaciones.
- Demostración de conversión sencilla de modelos (por ejemplo, de ONNX a OM).
Exploración del Ecosistema de Desarrolladores de CANN y MindSpore
- Recursos clave: documentación, repositorios de GitHub y código de ejemplo.
- Descripción general de MindSpore Hub y el zoo de modelos.
- Foros comunitarios, eventos y canales de soporte.
Resumen y Próximos Pasos
Requerimientos
- Conocimientos básicos de los conceptos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning).
- Experiencia básica de programación en Python.
- No se requiere experiencia previa con CANN o hardware Ascend.
Público Objetivo
- Desarrolladores de aprendizaje automático que exploran flujos de trabajo de despliegue.
- Estudiantes o investigadores nuevos en el ecosistema de IA de Huawei.
- Contribuidores a marcos de trabajo de IA y entusiastas interesados en la aceleración de modelos.
7 Horas