人工智能最不卷的岗位：深度学习模型推理加速

随着深度学习模型商业化落地的同时，算法模型不断增加，对场景的实时性要求愈发高了，模型的推理与加速就尤为重要。比如安防、语音助手、推荐、搜索、环境感知等场景对模型响应的速度均有较高的要求。例如：

1.自动驾驶车辆的环境感知，要求每帧图像的检测分割处理速度是10ms左右，如果深度学习模型不进行推理加速，通常速度只能在30ms左右，这样使得自动驾驶车辆无法实时应对周围环境的变化，进而导致交通事故。

2.一些社交或者短视频平台，需要实时检测用户上传的视频内容是否合法合规。深度学习模型如果检测速度慢，轻则影响用户体验，重则导致违法违规内容大规模扩散。

深度学习模型压缩与加速技术，在降低存储空间和计算资源的同时，还可以降低部署和维护成本，提高相应响应速度，降低数据泄漏和滥用的风险。

深度学习模型的部署应用根据不同设备（NVIDIA、华为昇腾、FPGA等）会有不同的方案，但目前主流需求仍然是NVIDIA的GPU上部署，并使用NVIDIA推出的推理优化框架TensorRT。之前学院开设过TensorRT的基础课程，广受大家欢迎的同时，也带来了新的需求——“拿到一个深度学习模型，我如何一步一步地提升其推理速度，并做极致优化”。

因此，深蓝学院开设了『深度学习模型推理加速项目实践』课程。该课程以百度文心大模型ERNIE工业化部署实践中的推理加速为例，带着大家一步一步地提升大模型ERNIE的推理速度，并最终实现模型精度损失在要求范围内且推理速度至少提升7倍。

毕业后一直在腾讯从事语音领域深度学习加速上线工作。近10年CUDA开发经验，近6年TensorRT 开发经验，Github TensorRT_Tutorial作者。

4. 小班教学，专家讲师直播与录播结合授课。

2.针对不同项目需求，选择哪种推理加速方法或者策略；

3.常用的推理加速技能，比如合并算子、FP16、优化输入输出、输入对齐、手写算子等。