感谢您发送咨询!我们的团队成员将很快与您联系。
感谢您发送预订!我们的团队成员将很快与您联系。
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)
演讲中的流程、氛围与主题
Lukasz Kowalczyk - Allegro Sp. z o.o.
课程 - Google Gemini AI for Data Analysis
机器翻译