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)
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