课程价格 ：
¥1599.00
剩余名额
13
-
学习时长
11周/建议每周至少6小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
每章节设计作业/助教及时批改评优
-
课程有效期
一年/告别拖延，温故知新
- 第1章: TensorRT介绍
- 第1节: TensorRT是什么
- 第2节: TensorRT整体工作流程与优化策略
- 第3节: TensorRT的组成与基本使用流程
- 第4节: TensorRT DEMO：SampleMNIST
- 第5节: TensorRT进阶
- 第6节: DEMO演示
- 第2章: TensorRT转ONNX模型
- 第1节: ONNX介绍
- 第2节: 背景知识
- 第3节: TRT转换模型的主要痛点
- 第4节: onnx-parser & onnx-graphsurgen
- 第5节: 实践
- 第6节: polygraphy
- 第3章: 模型介绍与课程目标
- 第1节: 大模型分类介绍
- 第2节: 模型介绍：ControlNet Stable Diffusion(CNSD)模型
- 第3节: 课程内容及目标介绍
- 第4章: 环境搭建、代码结构与评价标准
- 第1节: 环境搭建：手动搭建和docker两种方式
- 第2节: 评价标准介绍：从速度和精度两个方面进行评估
- 第3节: 4种模型转换方式类型与优缺点
- 第5章: 开始节点
- 第1节: TensorRT转换方式介绍
- 第2节: 模型结构详细介绍：模型结构图、单步调试代码
- 第3节: diffusion类模型-PyTorch转TRT的工作流介绍
- 第4节: 介绍 TRT python API并介绍TRT8.6的新API
- 第5节: 实践
- 第6章: 节点二FP16优化
- 第1节: FP16优化
- 第2节: 经验：TRT不同版本如何合并LayerNorm算子
- 第3节: 实践：对CNSD模型进行FP16加速并评估
- 第7章: 节点三 CUDA Graph 优化
- 第1节: CUDA-graph：是什么，为什么，如何做
- 第2节: CUDA Graph的缺点及优化策略
- 第3节: TensorRT8.6 新特性，BuildOptimalLevel 优化
- 第4节: 实践：对CNSD模型进行CUDA Graph优化和尝试BuildOptimalLevel 优化
- 第8章: 节点四 pipeline 优化
- 第1节: 本章内容概览
- 第2节: 迭代次数优化与GroupNorm
- 第3节: 拼batch优化
- 第4节: 实践作业
- 第9章: TensorRT INT8量化介绍
- 第1节: INT8 量化原理
- 第10章: 节点五 CNSD INT8量化优化
- 第1节: 本章内容
- 第2节: INT8 是否值得做？
- 第3节: 如何做INT8量化
- 第4节: 解决精度损失问题： smoothquant 算法
- 第5节: 分析INT8误差
- 第11章: 进阶节点：深度优化
- 第1节: 本章内容介绍
- 第2节: 模型结构详细分析
- 第3节: 优化模型冗余计算
- 第4节: 各个模块深度优化分析
