课程大纲

设备端AI简介

  • 设备端机器学习基础
  • 小型语言模型的优势与挑战
  • 移动和物联网设备硬件约束概述

设备端部署的模型优化

  • 模型量化和剪枝
  • 知识蒸馏以构建更小、更高效的模型
  • 选择和适配模型以优化设备端性能

平台特定的AI工具与框架

  • TensorFlow Lite和PyTorch Mobile简介
  • 利用平台特定库进行设备端AI开发
  • 跨平台部署策略

实时推理与边缘计算

  • 在设备上进行快速高效推理的技术
  • 利用边缘计算实现设备端AI
  • 实时AI应用案例研究

电源管理与电池寿命考虑

  • 优化AI应用以实现能源效率
  • 平衡性能与功耗
  • 延长AI设备电池寿命的策略

设备端AI的安全与隐私

  • 确保数据安全与用户隐私
  • 设备端数据处理以保护隐私
  • 安全的模型更新与维护

用户体验与交互设计

  • 为设备用户设计直观的AI交互
  • 将语言模型与用户界面集成
  • 设备端AI的用户测试与反馈

可扩展性与维护

  • 管理并更新已部署设备上的模型
  • 可扩展设备端AI解决方案的策略
  • 已部署AI系统的监控与分析

项目与评估

  • 在选定领域开发原型并准备在选定设备上部署
  • 设备端AI解决方案的演示
  • 基于效率、创新性和实用性的评估

总结与下一步

要求

  • 扎实的机器学习和深度学习基础
  • 熟练掌握Python编程
  • 具备AI部署硬件约束的基本知识

受众

  • 机器学习工程师和AI开发者
  • 对AI应用感兴趣的嵌入式系统工程师
  • 负责AI项目的产品经理和技术主管
 21 小时

即将举行的公开课程

课程分类