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: descripción general de los modelos 310, 910 y 910B
- Componentes de alto nivel: MindSpore, CANN y AscendCL
- Posicionamiento en la industria y principios de arquitectura
El papel de CANN en la pila de IA de Huawei
- ¿Qué es CANN? Propósito del SDK y capas internas
- ATC, TBE y AscendCL: compilación y ejecución de modelos
- Cómo CANN admite la optimización de inferencia y la implementación
Descripción general y arquitectura de MindSpore
- Flujos de trabajo de entrenamiento e inferencia en MindSpore
- Modo gráfico, PyNative y abstracción de hardware
- Integración con el procesador de redes neuronales (NPU) Ascend a través del backend CANN
Ciclo de vida de la IA en Ascend: del entrenamiento a la implementación
- Creación de modelos en MindSpore o conversión desde otros frameworks
- Exportación y compilación de modelos utilizando ATC
- Implementación en hardware Ascend mediante modelos OM y AscendCL
Comparación con otras pilas de IA
- MindSpore frente a PyTorch y TensorFlow: enfoque y posicionamiento
- Flujos de trabajo de implementación en Ascend frente a pilas basadas en GPU
- Oportunidades y limitaciones para el uso empresarial
Escenarios de integración empresarial
- Casos de uso en fabricación inteligente, IA gubernamental y telecomunicaciones
- Consideraciones sobre escalabilidad, cumplimiento normativo y ecosistema
- Implementación híbrida en la nube / instalada en local utilizando la pila de Huawei
Resumen y próximos pasos
Requerimientos
- Familiaridad con flujos de trabajo de IA o arquitectura de plataformas
- Comprensión básica del entrenamiento y la implementación de modelos
- No se requiere experiencia práctica previa con CANN o MindSpore
Público objetivo
- Evaluadores de plataformas de IA y arquitectos de infraestructura
- Profesionales de DevOps de IA/ML e integradores de pipelines
- Gerentes tecnológicos y tomadores de decisiones
14 Horas