课程大纲

边缘AI与Nano Banana简介

  • 边缘AI工作负载的关键特性。
  • Nano Banana的架构与功能。
  • 边缘与云部署策略的对比。

准备模型进行边缘部署

  • 模型选择与基线评估。
  • 依赖性与兼容性考虑。
  • 导出模型以进一步优化。

模型压缩技术

  • 剪枝策略与结构稀疏性。
  • 权重共享与参数减少。
  • 评估压缩效果。

量化提升边缘性能

  • 后训练量化方法。
  • 量化感知训练工作流程。
  • INT8、FP16与混合精度方法。

使用Nano Banana加速

  • 使用Nano Banana加速器。
  • 集成ONNX与硬件后端。
  • 加速推理的基准测试。

部署到边缘设备

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

性能分析与权衡评估

  • 延迟、吞吐量与热约束。
  • 准确性与性能的权衡。
  • 迭代优化策略。

维护边缘AI系统的最佳实践

  • 版本控制与持续更新。
  • 模型回滚与兼容性管理。
  • 安全性与完整性考虑。

总结与下一步

要求

  • 了解机器学习工作流程。
  • 具备基于Python的模型开发经验。
  • 熟悉神经网络架构。

受众

  • ML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