联系我们

课程大纲

边缘AI与Nano Banana简介

  • 边缘AI工作负载的关键特征
  • Nano Banana架构与功能
  • 边缘与云部署策略比较

为边缘部署准备模型

  • 模型选择与基线评估
  • 依赖和兼容性考虑
  • 导出模型以进一步优化

模型压缩技术

  • 剪枝策略和结构化稀疏性
  • 权重共享和参数减少
  • 评估压缩影响

边缘性能的量化

  • 训练后量化方法
  • 量化感知训练流程
  • INT8、FP16和混合精度方法

使用Nano Banana加速

  • 使用Nano Banana加速器
  • 集成ONNX和硬件后端
  • 基准测试加速推理

部署到边缘设备

  • 将模型集成到嵌入式或移动应用
  • 运行时配置和监控
  • 排查部署问题

性能分析和权衡分析

  • 延迟、吞吐量和热约束
  • 准确性与性能权衡
  • 迭代优化策略

维护边缘AI系统的最佳实践

  • 版本控制和持续更新
  • 模型回滚和兼容性管理
  • 安全性和完整性考虑

总结和后续步骤

要求

  • 理解机器学习工作流程
  • 具有基于Python的模型开发经验
  • 熟悉神经网络架构

受众

  • 机器学习工程师
  • 数据科学家
  • MLOps从业者
 14 小时

客户评论 (1)

即将举行的公开课程

课程分类