Optimización del rendimiento de redes neuronales con CANN SDK

Visión general de las capacidades de optimización de CANN

• Cómo se maneja el rendimiento de la inferencia en CANN
• Objetivos de optimización para sistemas de IA de borde y embebidos
• Comprensión del uso del AI Core y la asignación de memoria

Uso del Graph Engine para el análisis

• Introducción al Graph Engine y al pipeline de ejecución
• Visualización de gráficos de operadores y métricas de tiempo de ejecución
• Modificación de gráficos computacionales para la optimización

Herramientas de perfilado y métricas de rendimiento

• Uso de la herramienta de perfilado de CANN (profiler) para el análisis de cargas de trabajo
• Análisis del tiempo de ejecución de kernels (núcleos) y cuellos de botella
• Perfilado de acceso a memoria y estrategias de relleno (tiling)

Desarrollo de operadores personalizados con TIK

• Resumen de TIK y el modelo de programación de operadores
• Implementación de un operador personalizado utilizando el DSL de TIK
• Pruebas y medición de rendimiento (benchmarking) de operadores

Optimización avanzada de operadores con TVM

• Introducción a la integración de TVM con CANN
• Estrategias de auto-ajuste (auto-tuning) para gráficos computacionales
• Cuándo y cómo cambiar entre TVM y TIK

Técnicas de optimización de memoria

• Gestión del diseño de memoria (layout) y la ubicación de búferes
• Técnicas para reducir el consumo de memoria en el chip (on-chip)
• Mejores prácticas para la ejecución asíncrona y la reutilización

Despliegue en el mundo real y estudios de caso

• Estudio de caso: ajuste de rendimiento para el pipeline de cámaras de ciudades inteligentes
• Estudio de caso: optimización de la pila de inferencia para vehículos autónomos
• Líneas directrices para el perfilado iterativo y la mejora continua

Resumen y próximos pasos