课程大纲

设备端 AI 简介

  • 设备端机器学习的基础知识
  • 小型语言模型的优势和挑战
  • 移动和 IoT 设备中的硬件限制概述

设备端部署的模型优化

  • 模型量化和修剪
  • 针对更小、更高效的模型进行知识提炼
  • 选择和调整模型以提高设备性能

特定于平台的 AI 工具和框架

  • TensorFlow Lite 和 PyTorch Mobile 简介
  • 利用特定于平台的库进行设备端 AI
  • 跨平台部署策略

实时推理和 Edge Computing

  • 在设备上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 Management 和电池寿命注意事项

  • 优化 AI 应用程序以提高能源效率
  • 平衡性能和功耗
  • 延长 AI 供电设备电池寿命的策略

设备端 AI 中的安全和隐私

  • 确保数据安全和用户隐私
  • 用于隐私保护的设备端数据处理
  • 安全的模型更新和维护

用户体验和交互设计

  • 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 的用户测试和反馈

Scala能力与维护

  • 管理和更新已部署设备上的模型
  • 可扩展的设备端 AI 解决方案策略
  • 对已部署的 AI 系统进行监控和分析

项目与评估

  • 在选定域中开发原型并准备在选定设备上部署
  • 设备端 AI 解决方案演示
  • 基于效率、创新、实用性的评价

摘要和后续步骤

要求

  • 机器学习和深度学习概念的坚实基础
  • 熟练使用 Python 编程
  • AI部署硬件约束的基本知识

观众

  • 机器学习工程师和 AI 开发人员
  • 对 AI 应用感兴趣的嵌入式系统工程师
  • 监督 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