Developing AI Applications with Huawei Ascend and CANN

Prerequisites:

• Zrozumienie sieci neuronowych i przepływów AI
• Doświadczenie w programowaniu Python
• Znałość z procesami szkolenia i wdrażania modeli

Grupa docelowa

• Inżynierowie AI
• Naukowcy danych pracujący z zestawem Huawei AI
• Programiści ML używający Ascend i MindSpore

Overview:

Huawei Ascend jest rodziną procesorów AI zaprojektowanych do wysokowydajnej inferencji i szkolenia.

To prowadzone przez instruktora, żywe szkolenie (online lub na miejscu) jest skierowane do inżynierów AI i naukowców danych na poziomie średnim, którzy chcą tworzyć i optymalizować modele sieci neuronowych za pomocą platformy Ascend Huawei i zestawu narzędzi CANN.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Konfigurować i ustawiać środowisko CANN development.
• Tworzyć aplikacje AI za pomocą MindSpore i CloudMatrix workflows.
• Optymalizować wydajność na Ascend NPUs za pomocą operatorów niestandardowych i podziału.
• Wdrażać modele w środowiskach krawędziowych lub chmurowych.

Format kursu

• Interaktywne wykłady i dyskusje.
• Ręczne używanie Huawei Ascend i zestawu narzędzi CANN w przykładowych aplikacjach.
• Wykonywanie zadań pod kierunkiem, skupionych na budowaniu, szkoleniu i wdrażaniu modeli.

Opcje dostosowywania kursu

• Aby zapytać o dostosowane szkolenie dla tego kursu zgodnie z Twoją infrastrukturą lub zbiory danych, skontaktuj się z nami w celu zorganizowania.

Course Outline:

Wprowadzenie do platformy Huawei Ascend

• Przegląd architektury i ekosystemu Ascend
• Przegląd MindSpore i CANN
• Przypadki użycia i znaczenie w branży

Konfiguracja środowiska programistycznego

• Instalacja zestawu narzędzi CANN i MindSpore
• Użycie ModelArts i CloudMatrix do orchestracji projektów
• Testowanie środowiska za pomocą przykładowych modeli

Rozwijanie modeli z MindSpore

• Definicja i szkolenie modelu w MindSpore
• Przetwarzanie danych i formatowanie zestawów danych
• Eksportowanie modeli do formatu kompatybilnego z Ascend

Optymalizacja wydajności na Ascend

• Łączenie operatorów i niestandardowe jądra
• Strategia podziału i planowanie AI Core
• Narzędzia do benchmarkingu i profilowania

Strategie wdrażania

• Porównanie wdrażania na krawędzi vs w chmurze
• Użycie SDK MindX do wdrażania
• Integracja z pracami CloudMatrix

Diagnostyka i monitorowanie

• Użycie Profiler i AiD do śledzenia
• Diagnostyka błędów czasu wykonywania
• Monitorowanie zużycia zasobów i przepustowości

Przypadki użycia i integracja z laboratorium

• Rozwijanie pełnego pipeline z użyciem MindSpore
• Laboratorium: Budowa, optymalizacja i wdrażanie modelu na Ascend
• Porównanie wydajności z innymi platformami

Podsumowanie i kolejne kroki