سپنتا کتاب اکسپرس
کتاب کوانتیزاسیون در عمل: چالش‌ها و نوآوری‌ها در مدل‌های زبانی بزرگ

کتاب کوانتیزاسیون در عمل: چالش‌ها و نوآوری‌ها در مدل‌های زبانی بزرگ

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 کوانتیزاسیون در عمل: چالش‌ها و نوآوری‌ها در مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Quantization

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر کوانتیزاسیون
  • 2. تعریف کوانتیزاسیون
  • 3. اهمیت کوانتیزاسیون در مدل‌های زبانی بزرگ (LLM)
  • 4. مزایای کوانتیزاسیون (کاهش حافظه، افزایش سرعت، کاهش مصرف انرژی)
  • 5. معایب کوانتیزاسیون (کاهش دقت، پیچیدگی پیاده‌سازی)
  • 6. تاریخچه کوانتیزاسیون در یادگیری عمیق
  • 7. کوانتیزاسیون در مقابل فشرده‌سازی مدل
  • 8. انواع کوانتیزاسیون:
  • 9. کوانتیزاسیون پس از آموزش (Post-Training Quantization - PTQ)
  • 10. کوانتیزاسیون در حین آموزش (Quantization-Aware Training - QAT)
  • 11. کوانتیزاسیون با دقت متغیر (Mixed-Precision Quantization)
  • 12. کوانتیزاسیون ثابت (Fixed-Point Quantization)
  • 13. کوانتیزاسیون شناور (Floating-Point Quantization)
  • 14. کوانتیزاسیون با دقت پویا (Dynamic Quantization)
  • 15. کوانتیزاسیون با دقت ایستا (Static Quantization)
  • 16. کوانتیزاسیون متقارن (Symmetric Quantization)
  • 17. کوانتیزاسیون نامتقارن (Asymmetric Quantization)
  • 18. کوانتیزاسیون بیتی (Binary Quantization)
  • 19. کوانتیزاسیون سه بیتی (Ternary Quantization)
  • 20. کوانتیزاسیون نرم (Soft Quantization)
  • 21. کوانتیزاسیون گروهی (Grouped Quantization)
  • 22. کوانتیزاسیون لایه‌ای (Layer-wise Quantization)
  • 23. کوانتیزاسیون کانالی (Channel-wise Quantization)
  • 24. کوانتیزاسیون وزنی (Weight Quantization)
  • 25. کوانتیزاسیون فعال‌سازی (Activation Quantization)
  • 26. کوانتیزاسیون تنظیمی (Quantization of Parameters)
  • 27. کوانتیزاسیون تنظیمی (Quantization of Activations)
  • 28. مقیاس‌گذاری در کوانتیزاسیون
  • 29. کالیبراسیون در کوانتیزاسیون
  • 30. تکنیک‌های کالیبراسیون
  • 31. کالیبراسیون مبتنی بر مجموعه داده کوچک
  • 32. کالیبراسیون مبتنی بر داده‌های آموزشی
  • 33. کالیبراسیون مبتنی بر داده‌های اعتبارسنجی
  • 34. کالیبراسیون بدون داده (Zero-Shot Calibration)
  • 35. چالش‌های کوانتیزاسیون در LLM:
  • 36. کاهش دقت مدل
  • 37. انتشار خطا (Error Propagation)
  • 38. حساسیت لایه‌ها به کوانتیزاسیون
  • 39. کوانتیزاسیون لایه‌های حساس (مانند لایه‌های توجه)
  • 40. تأثیر کوانتیزاسیون بر عملکرد محاسباتی
  • 41. پیاده‌سازی سخت‌افزاری کوانتیزاسیون
  • 42. پشتیبانی سخت‌افزاری برای دقت‌های پایین
  • 43. نیاز به سخت‌افزارهای تخصصی
  • 44. مصرف حافظه در حین کوانتیزاسیون
  • 45. پیچیدگی الگوریتمی کوانتیزاسیون
  • 46. انتخاب پارامترهای کوانتیزاسیون
  • 47. تنظیم پارامترهای کوانتیزاسیون
  • 48. بهینه‌سازی پارامترهای کوانتیزاسیون
  • 49. کوانتیزاسیون در مدل‌های بزرگ و پیچیده
  • 50. کوانتیزاسیون مدل‌های ترانسفورمر
  • 51. کوانتیزاسیون لایه‌های توجه (Attention Layers)
  • 52. کوانتیزاسیون لایه‌های فیدفوروارد (Feedforward Layers)
  • 53. کوانتیزاسیون لایه‌های جاسازی (Embedding Layers)
  • 54. کوانتیزاسیون در مدل‌های اتورگرسیو (Autoregressive Models)
  • 55. کوانتیزاسیون در مدل‌های غیراتورگرسیو (Non-Autoregressive Models)
  • 56. کوانتیزاسیون در مدل‌های مولد (Generative Models)
  • 57. کوانتیزاسیون در مدل‌های طبقه‌بندی (Classification Models)
  • 58. کوانتیزاسیون در مدل‌های استخراج اطلاعات (Information Extraction Models)
  • 59. کوانتیزاسیون در مدل‌های ترجمه ماشینی (Machine Translation Models)
  • 60. کوانتیزاسیون در مدل‌های خلاصه‌سازی (Summarization Models)
  • 61. کوانتیزاسیون در مدل‌های پاسخ به پرسش (Question Answering Models)
  • 62. کوانتیزاسیون در مدل‌های تولید متن (Text Generation Models)
  • 63. نوآوری‌ها در کوانتیزاسیون LLM:
  • 64. روش‌های کوانتیزاسیون پیشرفته
  • 65. کوانتیزاسیون خودکار (Auto-Quantization)
  • 66. کوانتیزاسیون مبتنی بر یادگیری (Learning-based Quantization)
  • 67. کوانتیزاسیون با استفاده از شبکه‌های عصبی کوچک (Surrogate Models)
  • 68. کوانتیزاسیون با تکیه بر اطلاعات مدل (Model-Informed Quantization)
  • 69. کوانتیزاسیون با تکیه بر داده‌ها (Data-Informed Quantization)
  • 70. کوانتیزاسیون فعال (Active Quantization)
  • 71. کوانتیزاسیون تطبیقی (Adaptive Quantization)
  • 72. کوانتیزاسیون با نرخ بیت متغیر (Variable Bit-Rate Quantization)
  • 73. کوانتیزاسیون با استفاده از تکنیک‌های بهینه‌سازی
  • 74. کوانتیزاسیون با استفاده از الگوریتم‌های ژنتیک
  • 75. کوانتیزاسیون با استفاده از بهینه‌سازی بیزی
  • 76. کوانتیزاسیون با استفاده از گرادیان کاهشی
  • 77. کوانتیزاسیون برای سخت‌افزارهای خاص
  • 78. کوانتیزاسیون برای پردازنده‌های گرافیکی (GPU)
  • 79. کوانتیزاسیون برای واحدهای پردازش عصبی (NPU)
  • 80. کوانتیزاسیون برای پردازنده‌های سیگنال دیجیتال (DSP)
  • 81. کوانتیزاسیون برای دستگاه‌های موبایل
  • 82. کوانتیزاسیون برای سیستم‌های امبدد (Embedded Systems)
  • 83. ارزیابی و اندازه‌گیری عملکرد کوانتیزاسیون:
  • 84. معیارهای دقت (Accuracy Metrics)
  • 85. معیارهای فشرده‌سازی (Compression Metrics)
  • 86. معیارهای سرعت (Speed Metrics)
  • 87. معیارهای مصرف انرژی (Energy Consumption Metrics)
  • 88. ابزارها و چارچوب‌های کوانتیزاسیون:
  • 89. TensorFlow Lite
  • 90. PyTorch Mobile
  • 91. ONNX Runtime
  • 92. NVIDIA TensorRT
  • 93. Intel OpenVINO
  • 94. ملاحظات عملی در پیاده‌سازی کوانتیزاسیون:
  • 95. انتخاب مدل مناسب برای کوانتیزاسیون
  • 96. انتخاب تکنیک کوانتیزاسیون مناسب
  • 97. تنظیمات و پارامترهای پیاده‌سازی
  • 98. مراحل پیاده‌سازی کوانتیزاسیون
  • 99. اعتبارسنجی و تست مدل کوانتیزه شده
  • 100. بهبود مدل کوانتیزه شده

📚 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.