昇腾910-PyTorch 实现 ResNet50图像分类
本实验基于PyTorch，在昇腾平台上使用ResNet50对CIFAR10数据集进行图像分类训练。内容涵盖ResNet50的网络架构、残差模块分析及训练代码详解。通过端到端的实战讲解，帮助读者理解如何在深度学习中应用ResNet50模型，并实现高效的图像分类任务。实验包括数据预处理、模型搭建、训练与测试等环节，旨在提升模型的准确率和训练效率。
PyTorch 实现MobileNetV1用于图像分类
本实验基于PyTorch和昇腾平台，详细讲解了如何使用MobileNetV1模型对CIFAR10数据集进行图像分类。内容涵盖MobileNetV1的特点、网络架构剖析（尤其是深度可分离卷积）、代码实现及训练过程。通过该实验，读者可以掌握轻量级CNN模型在移动端或嵌入式设备中的应用，并了解其在资源受限环境下的高效表现。实验包括数据预处理、模型训练与测试等环节，帮助用户快速上手并优化模型性能。
新手入门：DGL在昇腾上的安装问题
本文介绍了在aarch64架构和Python 3.10环境下安装DGL（Deep Graph Library）的过程。首先通过`uname -a`确认硬件架构，接着使用`python --version`检查Python版本。为确保兼容性，从指定链接下载适合的whl包或通过pip安装dgl。过程中遇到了torchdata版本不兼容的问题，通过降级torchdata至0.7.1版本解决。此外，针对NPU芯片适配，重新安装了与CANN 8.0.RC2兼容的torch和torch_npu组件。最终成功导入dgl包并准备进行模型训练验证。
内部干货 | 基于华为昇腾910B算力卡的大模型部署和调优-课程讲义
近日上海，TsingtaoAI为某央企智算中心交付华为昇腾910B算力卡的大模型部署和调优课程。课程深入讲解如何在昇腾NPU上高效地训练、调优和部署PyTorch与Transformer模型，并结合实际应用场景，探索如何优化和迁移模型至昇腾NPU平台。课程涵盖从模型预训练、微调、推理与评估，到性能对比、算子适配、模型调优等一系列关键技术，帮助学员深入理解昇腾NPU的优势及其与主流深度学习框架（如PyTorch、Deepspeed、MindSpore）的结合应用。
昇腾910-PyTorch 实现 Alexnet图像分类
本文介绍了在昇腾平台上使用PyTorch实现AlexNet对CIFAR-10数据集进行图像分类的实战。内容涵盖AlexNet的创新点、网络架构解析及代码实现，包括ReLU激活函数、Dropout、重叠最大池化等技术的应用。实验中详细展示了如何构建模型、加载数据集、定义训练和测试模块，并通过60个epoch的训练验证模型性能。
昇腾910-PyTorch 实现 GoogleNet图像分类
本实验基于PyTorch在昇腾平台上实现GoogleNet模型，针对CIFAR-10数据集进行图像分类。内容涵盖GoogleNet的创新点（如Inception模块、1x1卷积、全局平均池化等）、网络架构解析及代码实战分析。通过详细讲解模型搭建、数据预处理、训练与测试过程，帮助读者掌握如何使用经典CNN模型进行高效图像分类。实验中还介绍了辅助分类器、梯度传播优化等技术细节，并提供了完整的训练和测试代码示例。
企业内训｜基于华为昇腾910B算力卡的大模型部署和调优-上海某央企智算中心
近日上海，TsingtaoAI为某央企智算中心交付华为昇腾910B算力卡的大模型部署和调优课程。课程深入讲解如何在昇腾NPU上高效地训练、调优和部署PyTorch与Transformer模型，并结合实际应用场景，探索如何优化和迁移模型至昇腾NPU平台。课程涵盖从模型预训练、微调、推理与评估，到性能对比、算子适配、模型调优等一系列关键技术，帮助学员深入理解昇腾NPU的优势及其与主流深度学习框架（如PyTorch、Deepspeed、MindSpore）的结合应用。
《探秘鸿蒙Next：如何保障AI模型轻量化后多设备协同功能一致》
在鸿蒙Next多设备协同中，确保轻量化AI模型功能一致性至关重要。方法包括：采用标准化框架（如TensorFlow Lite）和制定模型规范，统一数据预处理与同步机制，针对不同硬件优化模型并使其具备自适应能力，进行多设备测试、边界条件测试及用户场景模拟测试，建立运行时监控与反馈更新机制，同时保障安全与隐私。通过这些策略，形成完整技术体系，确保智能体验的稳定、高效与一致。