کتاب استفاده از TensorRT برای بهینه‌سازی مدل‌های DL
, ,

کتاب استفاده از TensorRT برای بهینه‌سازی مدل‌های DL

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000000326 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب استفاده از TensorRT برای بهینه‌سازی مدل‌های DL

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر یادگیری عمیق و کاربردهای آن
  • 2. مفاهیم اساسی شبکه‌های عصبی و انواع مدل‌ها (CNN, RNN, Transformer)
  • 3. تفاوت آموزش و استنتاج مدل‌های یادگیری عمیق
  • 4. چالش‌های عملکرد در استنتاج مدل‌های DL (Performance Bottlenecks)
  • 5. معرفی محاسبات سطح بالا (HPC) در زمینه هوش مصنوعی
  • 6. سخت‌افزارهای تسریع‌کننده برای یادگیری عمیق (CPU در مقابل GPU)
  • 7. معماری GPU و نقش آن در تسریع DL
  • 8. مفاهیم اولیه CUDA و نقش آن در برنامه‌نویسی GPU
  • 9. اهمیت بهینه‌سازی مدل‌ها برای استقرار در دنیای واقعی
  • 10. معیارهای ارزیابی عملکرد مدل‌های استنتاجی (Latency, Throughput)
  • 11. مقدمه‌ای بر اکوسیستم بهینه‌سازی NVIDIA برای DL
  • 12. مرور کلی بر اهداف و محتوای دوره
  • 13. TensorRT چیست و چرا از آن استفاده می‌کنیم؟
  • 14. مزایای کلیدی TensorRT: کاهش تأخیر و افزایش توان عملیاتی
  • 15. معماری کلی TensorRT: Parser, Builder, Engine
  • 16. فرآیند بهینه‌سازی گراف محاسباتی توسط TensorRT
  • 17. لایه‌ها و عملیات‌های پشتیبانی شده توسط TensorRT
  • 18. درک انواع داده در TensorRT: FP32, FP16, INT8
  • 19. TensorRT SDK: اجزا و ابزارهای آن
  • 20. راه‌اندازی محیط توسعه TensorRT در لینوکس
  • 21. راه‌اندازی محیط توسعه TensorRT در ویندوز (اختیاری)
  • 22. مقایسه TensorRT با سایر موتورهای استنتاجی (ONNX Runtime, OpenVINO)
  • 23. آشنایی با فرمت ONNX و نقش آن در TensorRT
  • 24. مراحل کلی تبدیل مدل DL به موتور TensorRT
  • 25. معرفی ONNX (Open Neural Network Exchange) و اهداف آن
  • 26. اکوسیستم ONNX: ابزارها و فرمت استاندارد
  • 27. صادرات مدل‌های PyTorch به فرمت ONNX
  • 28. جزئیات پارامترهای صادرات ONNX از PyTorch
  • 29. صادرات مدل‌های TensorFlow/Keras به فرمت ONNX
  • 30. کار با ابزارهای تبدیل TensorFlow به ONNX
  • 31. بررسی و اعتبارسنجی مدل‌های ONNX (ONNX Checker)
  • 32. بصری‌سازی گراف ONNX با Netron
  • 33. عیب‌یابی و رفع خطاهای رایج در صادرات ONNX
  • 34. آماده‌سازی مدل برای تبدیل به TensorRT: تاشدن ثابت‌ها (Constant Folding)
  • 35. بهینه‌سازی گراف ONNX پیش از تبدیل به TensorRT
  • 36. معرفی ONNX-TensorRT Parser در TensorRT
  • 37. چگونگی استفاده از ONNX Parser برای بارگذاری مدل
  • 38. مدیریت ورودی و خروجی‌های مدل در ONNX
  • 39. مثال عملی: تبدیل یک مدل ساده PyTorch/TensorFlow به ONNX
  • 40. معرفی API پایتون TensorRT
  • 41. اصول استفاده از Builder در TensorRT
  • 42. ساخت شیء Network در TensorRT
  • 43. تعریف ورودی‌ها و خروجی‌های شبکه
  • 44. پیکربندی پارامترهای Builder: حداکثر اندازه دسته (Max Batch Size)
  • 45. پیکربندی فضای کاری (Workspace) برای بهینه‌سازی حافظه
  • 46. انتخاب دقت‌های محاسباتی (Precision) برای Builder
  • 47. ساخت و بهینه‌سازی Engine توسط Builder
  • 48. سریال‌سازی (Serialization) موتور TensorRT به فایل
  • 49. دی‌سریال‌سازی (Deserialization) موتور TensorRT از فایل
  • 50. مفهوم Execution Context و نقش آن در استنتاج
  • 51. مدیریت بافرها: حافظه میزبان (Host) و دستگاه (Device)
  • 52. تخصیص و انتقال داده‌ها به GPU
  • 53. اجرای استنتاج همزمان و ناهمزمان با CUDA Stream
  • 54. مثال عملی: استنتاج یک مدل طبقه‌بندی تصویر با Python API
  • 55. بررسی عملکرد موتور TensorRT ساخته شده
  • 56. مدیریت خطاهای رایج در ساخت موتور TensorRT
  • 57. مقدمه‌ای بر کوانتیزاسیون (Quantization) در شبکه‌های عصبی
  • 58. مزایای کوانتیزاسیون INT8: سرعت و کاهش مصرف حافظه
  • 59. انواع کوانتیزاسیون: پس از آموزش (PTQ) و حین آموزش (QAT)
  • 60. کوانتیزاسیون TensorRT: PTQ و روش‌های آن
  • 61. فرآیند کالیبراسیون INT8 در TensorRT
  • 62. معرفی کلاس IInt8Calibrator و پیاده‌سازی آن
  • 63. آماده‌سازی مجموعه داده کالیبراسیون
  • 64. نوشتن اسکریپت DataLoader برای کالیبراسیون
  • 65. پیکربندی Builder برای فعال‌سازی کوانتیزاسیون INT8
  • 66. اجرای فرآیند کالیبراسیون و تولید جدول مقیاس‌گذاری
  • 67. ارزیابی دقت مدل INT8 در مقابل مدل FP32
  • 68. عیب‌یابی و رفع مشکلات دقت در کوانتیزاسیون INT8
  • 69. راهکارهای بهبود دقت مدل‌های کوانتیزه شده
  • 70. تفاوت‌های کوانتیزاسیون TensorRT با سایر فریم‌ورک‌ها
  • 71. بررسی عملکرد (Latency, Throughput) مدل‌های INT8
  • 72. نکات پیشرفته در کالیبراسیون INT8
  • 73. انتخاب بهترین دقت برای استقرار (FP32, FP16, INT8)
  • 74. توسعه افزونه‌های سفارشی (Custom Plugins) در TensorRT
  • 75. زمان نیاز به افزونه‌های سفارشی: عملیات‌های غیرپشتیبانی شده
  • 76. ساخت یک افزونه سفارشی: تعریف لایه و پیاده‌سازی آن در CUDA
  • 77. ثبت افزونه سفارشی در TensorRT
  • 78. استفاده از افزونه‌های سفارشی در Python API
  • 79. مدیریت ابعاد پویا (Dynamic Shapes) در TensorRT
  • 80. پیکربندی پروفایل‌های ابعاد پویا
  • 81. استنتاج چند جریانه (Multi-Stream Inference)
  • 82. استراتژی‌های دسته‌بندی (Batching) بهینه
  • 83. بهینه‌سازی مصرف حافظه برای مدل‌های بزرگ
  • 84. پروفایل‌سازی عملکرد موتور TensorRT با NVIDIA Nsight Systems
  • 85. تحلیل گزارش‌های Nsight Systems برای شناسایی گلوگاه‌ها
  • 86. استقرار مدل‌های TensorRT روی دستگاه‌های لبه‌ای (NVIDIA Jetson)
  • 87. معرفی NVIDIA Triton Inference Server
  • 88. استقرار مدل‌های TensorRT با Triton Inference Server
  • 89. مدیریت مدل و API Triton
  • 90. عیب‌یابی و اشکال‌زدایی مدل‌های TensorRT
  • 91. بهترین شیوه‌ها (Best Practices) برای بهینه‌سازی با TensorRT
  • 92. معرفی به قابلیت‌های جدید TensorRT در نسخه‌های اخیر
  • 93. استفاده از TensorRT برای مدل‌های Transformer
  • 94. پیاده‌سازی استنتاج موازی و توزیع‌شده با TensorRT
  • 95. نکات امنیتی در استقرار مدل‌های بهینه شده
  • 96. مدیریت نسخه‌ها و سازگاری مدل‌ها
  • 97. چالش‌های پیش‌رو در بهینه‌سازی DL و راه‌حل‌ها
  • 98. منابع آموزشی بیشتر و انجمن‌های پشتیبانی TensorRT
  • 99. جمع‌بندی دوره و گام‌های بعدی
  • 100. مروری بر استراتژی‌های کلیدی بهینه‌سازی مدل (کوانتیزاسیون، فیوژن و هرس کردن)

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب استفاده از TensorRT برای بهینه‌سازی مدل‌های DL”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا