سپنتا کتاب اکسپرس
کتاب AGFT: کاهش ۴۰ درصدی مصرف انرژی GPU در استنتاج LLM با یادگیری تقویتی بلادرنگ

کتاب AGFT: کاهش ۴۰ درصدی مصرف انرژی GPU در استنتاج LLM با یادگیری تقویتی بلادرنگ

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 AGFT: کاهش ۴۰ درصدی مصرف انرژی GPU در استنتاج LLM با یادگیری تقویتی بلادرنگ

موضوع کلی: بهینه‌سازی مصرف انرژی در زیرساخت‌های یادگیری عمیق

موضوع میانی: مدیریت توان تطبیقی GPU برای استنتاج مدل‌های زبانی بزرگ

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر بهینه‌سازی مصرف انرژی در زیرساخت‌های یادگیری عمیق
  • 2. چالش‌های مصرف انرژی در مراکز داده AI
  • 3. نیاز به راهکارهای مدیریت توان در یادگیری عمیق
  • 4. معرفی مدل‌های زبانی بزرگ (LLMs) و نیازهای محاسباتی آنها
  • 5. اهمیت بهینه‌سازی مصرف انرژی برای LLMs
  • 6. تأثیر مصرف بالای انرژی بر هزینه‌ها و محیط زیست
  • 7. مروری بر روش‌های سنتی مدیریت توان GPU
  • 8. محدودیت‌های روش‌های مدیریت توان ایستا
  • 9. معرفی رویکردهای پویا و تطبیقی در مدیریت توان
  • 10. یادگیری تقویتی (RL) به عنوان یک ابزار قدرتمند برای بهینه‌سازی
  • 11. معرفی مقاله AGFT: An Adaptive GPU Frequency Tuner
  • 12. هدف اصلی مقاله AGFT
  • 13. مبانی استنتاج LLM
  • 14. معماری‌های کلیدی LLM
  • 15. مراحل اجرای استنتاج LLM
  • 16. مفهوم توان GPU و فرکانس کاری
  • 17. رابطه بین فرکانس GPU و مصرف توان
  • 18. رابطه بین فرکانس GPU و عملکرد (توان عملیاتی)
  • 19. تعادل بین توان مصرفی و توان عملیاتی
  • 20. مقدمه‌ای بر مفاهیم کلیدی یادگیری تقویتی
  • 21. عامل، محیط، وضعیت، عمل، پاداش
  • 22. یادگیری تقویتی بدون ناظر و با ناظر
  • 23. یادگیری تقویتی عمیق (Deep RL)
  • 24. الگوریتم‌های پایه Deep RL: DQN, REINFORCE, A2C
  • 25. معرفی چارچوب AGFT
  • 26. هدف AGFT: تنظیم فرکانس GPU برای استنتاج LLM
  • 27. اجزای اصلی AGFT
  • 28. مدل یادگیری تقویتی در AGFT
  • 29. تابع هدف AGFT
  • 30. محیط AGFT
  • 31. حالت (State) در AGFT
  • 32. مشاهدات محیط استنتاج LLM
  • 33. ویژگی‌های وضعیت در AGFT: بار کاری، نرخ درخواست، وضعیت GPU
  • 34. اقدامات (Actions) در AGFT
  • 35. تنظیم فرکانس GPU به عنوان عمل
  • 36. محدوده فرکانس‌های مجاز GPU
  • 37. پاداش (Reward) در AGFT
  • 38. طراحی تابع پاداش مؤثر
  • 39. پاداش مبتنی بر کاهش مصرف انرژی
  • 40. پاداش مبتنی بر حفظ توان عملیاتی
  • 41. پاداش مبتنی بر کاهش تأخیر
  • 42. ترکیب معیارهای پاداش
  • 43. ساختار یادگیرنده در AGFT
  • 44. شبکه عصبی به عنوان عامل RL
  • 45. انتخاب معماری شبکه عصبی برای AGFT
  • 46. آموزش عامل RL در AGFT
  • 47. فرایند یادگیری عامل
  • 48. اپیزودهای آموزشی
  • 49. جمع‌آوری داده‌های آموزشی
  • 50. تجزیه و تحلیل داده‌های مشاهده شده
  • 51. به‌روزرسانی وزن‌های شبکه عصبی
  • 52. تنظیم هایپرپارامترهای یادگیری تقویتی
  • 53. پیاده‌سازی AGFT در یک محیط واقعی
  • 54. ابزارهای لازم برای پیاده‌سازی
  • 55. نظارت بر وضعیت GPU
  • 56. دریافت اطلاعات مربوط به بار کاری LLM
  • 57. قابلیت تنظیم فرکانس GPU
  • 58. پلتفرم‌های سخت‌افزاری مناسب
  • 59. مطالعه موردی: استنتاج LLM روی GPU
  • 60. تعریف سناریوهای استنتاج LLM
  • 61. مدل‌های LLM پرکاربرد برای تست
  • 62. معیارهای ارزیابی عملکرد AGFT
  • 63. محاسبه مصرف انرژی
  • 64. اندازه‌گیری توان عملیاتی (Throughput)
  • 65. اندازه‌گیری تأخیر (Latency)
  • 66. محاسبه درصد کاهش مصرف انرژی
  • 67. مقایسه AGFT با روش‌های مدیریت توان دیگر
  • 68. روش‌های پایه: فرکانس ثابت، مدیریت توان پویا سیستم عامل
  • 69. نتایج تجربی مقاله AGFT
  • 70. تحلیل نتایج کاهش مصرف انرژی
  • 71. تحلیل تأثیر بر توان عملیاتی
  • 72. تحلیل تأثیر بر تأخیر
  • 73. اثبات کارایی AGFT در سناریوهای واقعی
  • 74. استراتژی‌های تنظیم فرکانس در AGFT
  • 75. تنظیم تطبیقی بر اساس بار کاری آنی
  • 76. تنظیم بر اساس پیش‌بینی بار کاری آینده
  • 77. تنظیم بر اساس الگوهای استفاده LLM
  • 78. اهمیت یادگیری بلادرنگ (Real-Time) در AGFT
  • 79. واکنش سریع به تغییرات در محیط استنتاج
  • 80. حفظ پایداری سیستم تحت بار متغیر
  • 81. پیاده‌سازی مکانیزم‌های یادگیری بلادرنگ
  • 82. بهبودهای احتمالی و کارهای آینده
  • 83. افزایش دقت مدل RL
  • 84. در نظر گرفتن عوامل دیگر بهینه‌سازی
  • 85. مدیریت حرارتی در کنار مدیریت توان
  • 86. بهینه‌سازی برای انواع مختلف LLM
  • 87. بهینه‌سازی برای سخت‌افزارهای متنوع
  • 88. کاربردهای AGFT در صنایع مختلف
  • 89. خدمات ابری و مراکز داده
  • 90. سیستم‌های لبه (Edge Computing)
  • 91. دستگاه‌های موبایل و کامپیوترهای شخصی
  • 92. پیاده‌سازی AGFT در مقیاس بزرگ
  • 93. چالش‌های مقیاس‌پذیری
  • 94. نظارت و مدیریت متمرکز
  • 95. امنیت و حریم خصوصی در AGFT
  • 96. تأثیر AGFT بر عمر مفید سخت‌افزار
  • 97. کاهش استرس حرارتی و الکتریکی
  • 98. مزایای بلندمدت استفاده از AGFT
  • 99. مدیریت پیچیدگی سیستم‌های AI
  • 100. نقش AGFT در پایداری انرژی زیرساخت‌های AI

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.