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 maneja el rendimiento de la inferencia en CANN.
- Objetivos de optimización para sistemas de IA perimetrales y embebidos.
- Comprensión del uso de los núcleos de IA (AI Core) y la asignación de memoria.
Uso del Motor de Gráficos para el análisis
- Introducción al Motor de Gráficos y al pipeline de ejecución.
- Visualización de gráficos de operadores y métricas en 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 identificación de cuellos de botella.
- Perfilado del acceso a memoria y estrategias de fragmentación (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 benchmarking 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 chip.
- Mejores prácticas para la ejecución asíncrona y la reutilización.
Implementación en entornos reales y estudios de caso
- Estudio de caso: ajuste de rendimiento para el pipeline de cámaras de ciudades inteligentes.
- Estudio de caso: optimización de la pila de inferencia para vehículos autónomos.
- Orientaciones para el perfilado iterativo y la mejora continua.
Resumen y próximos pasos
Requerimientos
- Conocimiento sólido de las arquitecturas de modelos de aprendizaje profundo y los flujos de trabajo de entrenamiento.
- Experiencia con la implementación de modelos utilizando CANN, TensorFlow o PyTorch.
- Familiaridad con la línea de comandos de Linux (CLI), scripting de 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
