کتاب تکنیک‌های کوانتیزاسیون (Quantization) برای مدل‌های DL
, ,

کتاب تکنیک‌های کوانتیزاسیون (Quantization) برای مدل‌های DL

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000000332 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 تکنیک‌های کوانتیزاسیون (Quantization) برای مدل‌های DL

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر یادگیری عمیق و هزینه‌های محاسباتی آن
  • 2. چرا به فشرده‌سازی مدل نیاز داریم؟ اهداف و انگیزه‌ها
  • 3. مروری بر محاسبات سطح بالا (HPC) و نقش آن در هوش مصنوعی
  • 4. کوانتیزاسیون چیست؟ مقدمه‌ای بر مفاهیم اصلی
  • 5. تاریخچه و تکامل تکنیک‌های کوانتیزاسیون
  • 6. اعداد ممیز شناور: از FP32 تا FP16 و Bfloat16
  • 7. اعداد صحیح: مبانی INT8، INT4 و محاسبات کم‌دقت
  • 8. مقایسه حساب ممیز ثابت (Fixed-Point) و ممیز شناور (Floating-Point)
  • 9. معیارهای کلیدی: دقت، سرعت (Latency & Throughput) و اندازه مدل
  • 10. چالش‌ها و بده‌بستان‌ها در کوانتیزاسیون
  • 11. معرفی انواع کوانتیزاسیون: ایستا (Static) در مقابل پویا (Dynamic)
  • 12. معرفی انواع فرآیندها: کوانتیزاسیون پس از آموزش (PTQ) در مقابل آموزش آگاه از کوانتیزاسیون (QAT)
  • 13. مروری بر سخت‌افزارهای پشتیبانی‌کننده از محاسبات کم‌دقت
  • 14. معماری مدل‌ها و تأثیر آن بر قابلیت کوانتیزاسیون
  • 15. نقشه راه دوره: از مبانی تا تکنیک‌های پیشرفته
  • 16. نگاشت کوانتیزاسیون (Quantization Mapping): مفهوم مقیاس (Scale) و نقطه صفر (Zero-Point)
  • 17. کوانتیزاسیون متقارن (Symmetric)
  • 18. کوانتیزاسیون نامتقارن (Affine/Asymmetric)
  • 19. انتخاب بین نگاشت متقارن و نامتقارن
  • 20. گرانولاریته کوانتیزاسیون: Per-Tensor
  • 21. گرانولاریته کوانتیزاسیون: Per-Channel (Per-Axis)
  • 22. گرانولاریته کوانتیزاسیون: Per-Group و کاربردهای آن
  • 23. فرآیند کالیبراسیون (Calibration): چرا و چگونه؟
  • 24. انتخاب و آماده‌سازی مجموعه داده کالیبراسیون
  • 25. تعیین محدوده دینامیکی (Dynamic Range): روش Min-Max
  • 26. تعیین محدوده دینامیکی: روش آنتروپی (Entropy)
  • 27. تعیین محدوده دینامیکی: روش خطای میانگین مربعات (MSE)
  • 28. مفهوم Clipping و تأثیر آن بر دقت
  • 29. فرمول‌های ریاضی کوانتیزاسیون و دی‌کوانتیزاسیون
  • 30. کوانتیزاسیون شبیه‌سازی شده (Simulated/Fake Quantization)
  • 31. نقش دی‌کوانتیزاسیون در محاسبات ترکیبی
  • 32. کوانتیزاسیون وزن‌ها (Weights)
  • 33. کوانتیزاسیون فعال‌سازی‌ها (Activations)
  • 34. مدیریت بایاس‌ها (Biases) در فرآیند کوانتیزاسیون
  • 35. ادغام عملگرها (Operator Fusion) برای بهینه‌سازی عملکرد
  • 36. مقدمه‌ای جامع بر کوانتیزاسیون پس از آموزش (PTQ)
  • 37. جریان کاری PTQ ایستا (Static PTQ)
  • 38. کالیبراسیون در PTQ ایستا: گام به گام
  • 39. جریان کاری PTQ پویا (Dynamic PTQ)
  • 40. مقایسه PTQ ایستا و پویا: چه زمانی از کدام استفاده کنیم؟
  • 41. چالش‌های رایج در PTQ و افت دقت
  • 42. تکنیک‌های بازیابی دقت در PTQ
  • 43. تصحیح بایاس (Bias Correction)
  • 44. متعادل‌سازی بین لایه‌ای (Cross-Layer Equalization – CLE)
  • 45. AdaRound: گرد کردن تطبیقی برای وزن‌ها
  • 46. کوانتیزاسیون بدون داده (Data-Free Quantization)
  • 47. پیاده‌سازی یک پایپ‌لاین PTQ ساده
  • 48. آنالیز حساسیت لایه‌ها به کوانتیزاسیون
  • 49. بهینه‌سازی PTQ برای مدل‌های CNN
  • 50. بهینه‌سازی PTQ برای مدل‌های Transformer
  • 51. محدودیت‌های PTQ و زمان حرکت به سمت QAT
  • 52. ابزارهای خودکارسازی PTQ
  • 53. ارزیابی مدل‌های کوانتیزه شده با PTQ
  • 54. دیباگ کردن مشکلات دقت در PTQ
  • 55. مطالعه موردی: PTQ یک مدل ResNet
  • 56. مقدمه‌ای بر آموزش آگاه از کوانتیزاسیون (QAT)
  • 57. چرا QAT به بازیابی دقت کمک می‌کند؟
  • 58. تخمین‌گر مستقیم (Straight-Through Estimator – STE)
  • 59. مدل‌سازی کوانتیزاسیون در گراف محاسباتی
  • 60. انتشار رو به جلو (Forward Pass) با کوانتیزاسیون شبیه‌سازی شده
  • 61. انتشار رو به عقب (Backward Pass) و محاسبه گرادیان‌ها در QAT
  • 62. جریان کاری QAT: از مدل Pre-trained تا مدل کوانتیزه نهایی
  • 63. پیاده‌سازی یک پایپ‌لاین QAT ساده
  • 64. تکنیک تا کردن نرمال‌سازی دسته‌ای (Batch Normalization Folding)
  • 65. آموزش پارامترهای کوانتیزاسیون (Learnable Quantization Parameters)
  • 66. تنظیم نرخ یادگیری و فرآیند fine-tuning در QAT
  • 67. شروع QAT از ابتدا (Training from Scratch) در مقابل Fine-tuning
  • 68. مدیریت لایه‌های حساس در QAT
  • 69. QAT برای کوانتیزاسیون فعال‌سازی‌ها
  • 70. چالش‌های همگرایی در QAT
  • 71. تکنیک‌های پیشرفته در QAT
  • 72. مقایسه جامع PTQ و QAT: عملکرد، هزینه و پیچیدگی
  • 73. ابزارهای فریمورک‌ها برای QAT
  • 74. دیباگ کردن فرآیند آموزش QAT
  • 75. مطالعه موردی: QAT یک مدل BERT
  • 76. کوانتیزاسیون با دقت ترکیبی (Mixed-Precision Quantization)
  • 77. استراتژی‌های خودکار برای انتخاب دقت ترکیبی
  • 78. کوانتیزاسیون آگاه از سخت‌افزار (Hardware-Aware Quantization)
  • 79. کوانتیزاسیون با بیت‌های بسیار کم: مقدمه‌ای بر INT4 و INT2
  • 80. شبکه‌های عصبی باینری (Binary Neural Networks – BNNs)
  • 81. تابع XNOR و پیاده‌سازی شبکه‌های باینری
  • 82. شبکه‌های عصبی سه‌تایی (Ternary Neural Networks – TNNs)
  • 83. کوانتیزاسیون لگاریتمی و غیرخطی
  • 84. کوانتیزاسیون برداری (Vector Quantization)
  • 85. کوانتیزاسیون K-Means برای فشرده‌سازی وزن‌ها
  • 86. کوانتیزاسیون Zero-Shot
  • 87. مروری بر الگوریتم‌های پیشرفته: LSQ, PACT
  • 88. آینده کوانتیزاسیون: روندهای نوظهور
  • 89. کوانتیزاسیون در TensorFlow: ابزار بهینه‌سازی مدل
  • 90. استقرار مدل‌های کوانتیزه شده با TensorFlow Lite
  • 91. کوانتیزاسیون در PyTorch: ماژول‌های FX و Eager Mode
  • 92. پیاده‌سازی PTQ و QAT با استفاده از PyTorch
  • 93. فرمت ONNX و نقش آن در کوانتیزاسیون
  • 94. بهینه‌سازی با ONNX Runtime
  • 95. شتاب‌دهی استنتاج با NVIDIA TensorRT
  • 96. نقش هسته‌های Tensor (Tensor Cores) در پردازنده‌های گرافیکی NVIDIA
  • 97. بهینه‌سازی برای پردازنده‌های مرکزی با Intel OpenVINO
  • 98. پشتیبانی سخت‌افزاری CPU از کوانتیزاسیون (VNNI, AVX512)
  • 99. استقرار روی دستگاه‌های لبه (Edge Devices) و موبایل
  • 100. جمع‌بندی دوره، بهترین شیوه‌ها و گام‌های بعدی

📚 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 تکنیک‌های کوانتیزاسیون (Quantization) برای مدل‌های DL”

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

محصولات مشابه

پیمایش به بالا