Kursplan

Introduktion till AI med låg effekt

  • Översikt över AI i inbäddade system
  • Utmaningar med AI-implementering på lågströmsenheter
  • Energi-effektiva AI-applikationer

Modelloptimeringstekniker

  • Quantization och dess påverkan på prestanda
  • Beskärning och vikt delning
  • Kunnande destillation för förenkling av modeller

Implementering av AI-modeller på hårdvara med låg effekt

  • Använda TensorFlow Lite och ONNX Runtime för edge AI
  • Optimera AI-modeller med NVIDIA TensorRT
  • Hårdvaruacceleration med Coral TPU och Jetson Nano

Minimera strömförbrukningen i AI-applikationer

  • Strömprofilering och effektivitetsmetrik
  • Lågströmmande datorkonstruktioner
  • Dynamisk effekt skalning och adaptiva slutsatsmetoder

Fallstudier och tillämpningar i verkliga livet

  • AI-drivna batteridrivna IoT-enheter
  • Lågströms-AI för hälso- och sjukvård och bärbara enheter
  • Tillämpningar för smarta städer och milj övervakning

Bästa praxis och framtida trender

  • Optimera edge AI för hållbarhet
  • Framsteg inom energi-effektiv AI-hårdvara
  • Framtida utveckling inom forskning om AI med låg effekt

Sammanfattning och nästa steg

Krav

En förståelse för djupinlärningsmodeller

Erfarenhet av inbäddade system eller AI-utplacering

Grundläggande kunskaper om tekniker för modelloptimering

Målgrupp

AI-ingenjörer

Inbäddade utvecklare

Hårdvaruingenjörer

 21 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier