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 架构与能力
  • 边缘部署与云部署策略对比

为边缘部署准备模型

  • 模型选择与基线评估
  • 依赖项与兼容性考量
  • 导出模型以进行进一步优化

模型压缩技术

  • 剪枝策略与结构稀疏性
  • 权重共享与参数缩减
  • 评估压缩带来的影响

面向边缘性能的量化

  • 训练后量化方法
  • 量化感知训练工作流
  • INT8、FP16 及混合精度方法

使用 Nano Banana 进行加速

  • 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中
  • 运行时配置与监控
  • 排查部署问题

性能分析与权衡分析

  • 延迟、吞吐量及热约束
  • 精度与性能的权衡
  • 迭代优化策略

维护边缘 AI 系统的最佳实践

  • 版本管理与持续更新
  • 模型回滚与兼容性管理
  • 安全性与完整性考量

总结与后续步骤

要求

  • 理解机器学习工作流
  • 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