高性能神经网络与AI芯片の应用

随着大数据的发展，计算机芯片算力的提升，人工智能近两年迎来了新一轮的爆发。而人工智能实现超级算力的核心就是AI芯片。AI芯片也被称为人工智能加速器，即专门用于处理人工智能应用中的大量计算任务的模块。

2020年我国人工智能芯片市场规模约为184亿元。未来5G商用的普及将继续催生人工智能芯片的应用需求，中国人工智能芯片行业将快速发展，预计2023年市场规模将突破千亿元。

那么，如何借助AI芯片来实现特定的任务，将是所有AI芯片产业人员必备的技能。

为此，贪心学院重磅推出《高性能神经网络与AI芯片应用研修课程》，为想进入AI芯片行业的同学们提供一个可以大幅提升自身就业竞争力的选择。

本课程会讲解AI芯片相关知识、高性能网络设计、通用芯片及专用芯片计算加速方法等专业技能，并结合优秀编译器的架构和实现细节的讲解，为学生构建高性能AI算法的软硬件视角，能够解决应用落地时神经网络的优化和部署相关问题。

01

内容亮点

• 全面技术讲解：课程涵盖了轻量化神经网络设计、神经网络部署前的优化方法、神经网络编译器的设计模式和具体实现、神经网络部署到芯片上的计算加速等全面的AI嵌入式芯片设计和应用相关人员就业必备的知识。
• 软硬件相结合：本课程除了全面讲解高性能神经网络相关的知识技术外，还会指导学员在硬件上进行实操。
• 专家导师授课：课程导师为AI芯片行业专家，相关项目经验十分丰富。

02

你将收获

• 掌握神经网络高性能实现的算法及工具
• 掌握通用芯片及专用AI芯片架构及网络加速技术
• 掌握通用芯片及专用AI芯片神经网络部署应用的实际案例
• 短期内对一个领域有全面的认识，大大节省学习时间
• 认识一群拥有同样兴趣的人、相互交流、相互学习

 

感兴趣的请添加咨询顾问

03

项目介绍

▌项目1

项目名称：模型轻量化

项目内容描述：mobilenet、shufflenet、squeezenet等，模型量化、剪枝和蒸馏技术，网络的计算量和内存分析的工具，主干网络的轻量化，检测网络的轻量化，分割网络的轻量化，不同框架提供的加速方案。

项目使用的数据集：COCO，ADE20k，ImageNet

项目使用的算法：模型量化，模型剪枝和模型蒸馏

项目使用的工具：python，c/c++，pytorch，tensorflow，distiller，ncnn

项目预期结果：学员掌握轻量化网络设计准则，模型轻量化技术，能够上手操作一  个网络部署前的优化。

项目对应第几周的课程：1~4周

▌项目2

项目名称：神经网络编译器

项目内容描述：tvm，ncnn，mnn，tnn 各自的特点，对于神经网络的优化方案，tvm的具体设备的优化方案，算子融合，路径优化，内存优化，ncnn的网络的表示数据结构，ncnn的一些优化计算的思路，量化方法，mnn中的数据结构，模型转换和量化方法，tnn和ncnn的区别，系统架构，量化方法。

项目使用的算法：离线量化，在线感知量化

项目使用的工具：python，c/c++，tvm，ncnn，tnn，mnn

项目预期结果：学员对于神经网络编译器有全面的了解，对于主流神经网络编译器能够实践使用，完成模型到芯片所需要格式的转换。

项目对应第几周的课程：5~8周

▌项目3

项目名称：通用芯片加速技术

项目内容描述：cpu，arm对应的指令集级别的加速，编译器中具体的优化策略，simd，avx，sse，openblas，neon和cpu中对于卷积的运算加速方案，cpu上的具体实例，arm上的具体实例，环境配置，神经网络的例子，加速方案的组合和实际效果。

项目使用的算法：simd，avs，sse，blas，winograd

项目使用的工具：nnpack，qnnpack，lowpgemm，tvm，ncnn

项目预期结果：学员深入掌握cpu，arm等芯片的神经网络加速技术，并且通过一个例子来看具体的加速效果 。

项目对应第几周的课程：9~12周

▌项目4

项目名称：专用芯片加速技术 

项目内容描述：gpu和k210 npu及各自神经网络编译器中的加速优化技术，gpu上的cuda加速的方法，cublas，opencl，vulkan的开发例子，nncase上编译一个网络，k210开发板环境配置及人脸检测模型的部署

项目使用的算法：人脸检测

项目使用的工具（编程语言、工具、技术等）：Python，C/C++，opencl，vulkan，nncase

项目预期结果：学员可以掌握gpu及npu上神经网络的编译加速，并且通过一个具体的例子来完成人脸检测模型在k210芯片上的部署 。

项目对应第几周的课程：13~16周

感兴趣的请添加咨询顾问

04

详细内容介绍

第一周：轻量化网络结构设计

本节课将讲解网络参数量、浮点运算数等模型评价指标、工具，以及分类网络， 检测网络，分割网络的轻量化设计。

课程提纲：

• 轻量化网络设计背景介绍
• 网络的计算量和内存分析工具
• 主干网络的轻量化
• 检测网络的轻量化
• 分割网络的轻量化
• 典型网络的设计思路

第二周：知识蒸馏优化、低秩分解优化

本节课将讲解神经网络知识蒸馏优化、神经网络计算低秩分解加速计算方法。

课程提纲：

• 知识蒸馏方法介绍

• 知识蒸馏原理和步骤介绍

• 知识蒸馏训练方法缩减网络的实际分类网络演示

• 低秩分解原理

• 低秩分解加速计算在神经网络推理中的应用

第三周：网络剪枝

本节课将讲解网络稀疏性原理，网络剪枝原则及剪枝的常见方法。

课程提纲：

• 网络剪枝的原理
• 常用的剪枝策略
• 神经网络框架中的剪枝功能介绍
• 剪枝的实际使用

第四周：网络量化

本节课将讲解网络的低比特化，以及在AI芯片中的计算，实现网络量化的离线和在线感知的量化方法。

课程提纲：

• 网络量化的技术发展
• 不同离线量化算法的实现原理
• 神经网络框架中在线感知量化算法的原理及实现
• 实际案例

第五周：神经网络编译器简介

本节课将讲解tvm、ncnn、tnn、mnn的简要对比，tvm relay和网络转换，网络的编译优化和推理加速。

课程提纲：

• tvm、ncnn、tnn、mnn的简要对比
• tvm relay和网络转换
• 网络的编译优化和推理加速
• tvm的实际案例

第六周：ncnn

本节课将讲解ncnn的系统架构图，数据结构，支持的框架，网络的表示，网络优化，量化，以及各平台的优化策略。

课程提纲：

• ncnn的系统架构图
• ncnn的数据结构及支持框架
• ncnn的网络表示
• ncnn网络优化，量化，及各平台的优化策略

第七周：tnn

本节课将讲解tnn的系统架构图，数据结构，支持的框架，网络的表示，网络优化，量化，以及各平台的优化策略。

课程提纲：

• tnn的系统架构图
• tnn的数据结构及支持框架
• tnn的网络表示
• tnn网络优化，量化，及各平台的优化策略

第八周：mnn

本节课将讲解mnn的系统架构图，数据结构，支持的框架，网络的表示，网络优化，量化，以及各平台的优化策略。

课程提纲：

• mnn的系统架构图
• mnn的数据结构及支持框架
• mnn的网络表示
• mnn网络优化，量化，及各平台的优化策略

 

第九周：cpu中的指令集优化

本节课将讲解cpu中的指令集优化，simd、avx、sse方法，及tvm中对于cpu上神经网络加速的位置。

课程提纲：

• cpu中的指令集优化：simd，avx，sse方法
• tvm中对于cpu上神经网络加速的位置

第十周：arm中的神经网络加速

本节课将讲解arm中的neon优化，及ncnn，tnn和mnn的实现，并结合实际例子来看具体的加速效果。

课程提纲：

• arm中的neon优化
• ncnn，tnn和mnn实现的讲解
• 具体加速效果的实际案例

第十一周：卷积计算的优化算法

本节课将讲解卷积计算的优化算法，包括winograd等。

第十二周：神经网络加速库

本节课将讲解openblas库的优化，nnpack/qnnpack的优化，及lowpgemm。

课程提纲：

• openblas库的优化

• nnpack/qnnpack的优化

• lowpgemm

第十三周：gpu上神经网络的运行和加速

本节课将讲解gpu与cpu计算加速的区别，英伟达gpu的原生cuda加速方法，及推理侧tensorrt的使用。

课程提纲：

• gpu与cpu计算加速的区别
• 英伟达gpu的原生cuda加速方法
• 推理侧tensorrt的使用

 

第十四周：gpu加速通用加速库

本节课将讲解通用加速库cublas，vulkan，opencl的使用。

课程提纲：

• 通用加速库cublas的使用
• Vulkan的使用
• opencl的使用

第十五周：dsp，fpga，npu专用加速计算

本节课将讲解dsp，fpga，npu的专用加速计算。

课程提纲：

• dsp计算加速
• fpga计算加速
• npu专用加速计算

第十六周：npu使用

本节课将以嘉楠科技的k210为例，实现一个人脸检测案例。

课程提纲：

• 嘉楠科技k210芯片介绍
• nncase人脸检测案例

感兴趣的请添加咨询顾问

05

授课方式

• 基础知识讲解

• 前沿论文解读

• 论文代码复现

• 该知识内容的实际应用

• 该知识的项目实战

• 该方向的知识延伸及未来趋势讲解

 

06

适合人群

大学生

• 编程及深度学习基础良好，为了想进入AI芯片行业发展

在职人士

• 想进入AI芯片行业的算法或IT工程师
• 想通过掌握硬件技术，拓宽未来职业路径的AI算法工程师

入学基础要求

• 掌握python、C++开发，及深度学习的基础知识。

07

课程研发及导师团队

王欢

肇观科技算法总监

华中科技大学模式识别与人工智能硕士

原拼多多、同盾科技等公司算法工程师，AI算法领域从业15+年

蓝振忠

课程研发顾问

ALBERT模型的第一作者

西湖大学特聘研究员和博士生导师

Google AI实验室科学家

美国卡耐基梅隆大学博士

先后在NIPS, CVPR, ICCV, IJCAI等会议发表30篇以上论文，1000+引用次数

Jerry Yuan

课程研发顾问

美国微软(总部)推荐系统部负责人

美国亚马逊(总部)资深工程师

美国新泽西理工大学博士

14年人工智能, 数字图像处理和推荐系统领域研究和项目经验

先后在AI相关国际会议上发表20篇以上论文

李文哲

贪心科技CEO

美国南加州大学博士

曾任独角兽金科集团首席数据科学家、美国亚马逊和高盛的高级工程师

金融行业开创知识图谱做大数据反欺诈的第一人

先后在AAAI、KDD、AISTATS、CHI等国际会议上发表过15篇以上论文

感兴趣的请添加咨询顾问

08

历届学员去向