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 tiempo 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 de bajo nivel
- Comprensión del modelo de programación de TIK y las API admitidas
- Gestión de memoria y estrategia de partición (tiling) en TIK
- Creación, compilación y registro de un operador personalizado con CANN
Pruebas y validación de operadores personalizados
- 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
Planificación y optimización basada en TVM
- Descripción general de TVM como un compilador para operadores de tensores
- Escritura de una planificación (schedule) para un operador personalizado en TVM
- Ajuste, evaluación comparativa (benchmarking) y generación de código de TVM para Ascend
Integración con frameworks y modelos
- Registro de operadores personalizados para MindSpore y ONNX
- Verificación de la integridad del modelo y del comportamiento de retroceso (fallback)
- Soporte para grafos de múltiples operadores 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 de operadores de atención conscientes de la memoria
- Mejores prácticas en el despliegue de operadores personalizados en diferentes dispositivos
Resumen y próximos pasos
Requerimientos
- Sólidos conocimientos sobre el funcionamiento interno de los modelos de IA y el cómputo a nivel de operador
- Experiencia con entornos de desarrollo en Python y Linux
- Familiaridad con compiladores de redes neuronales u optimizadores a nivel de grafo
Público objetivo
- Ingenieros de compiladores que trabajan en herramientas (toolchains) para IA
- Desarrolladores de sistemas enfocados en la optimización de bajo nivel para IA
- Desarrolladores que crean operadores personalizados o dirigen su trabajo hacia nuevas cargas de trabajo de IA
14 Horas