کتاب کوانتیزاسیون مدل‌های زبانی بزرگ: تکنیک‌های پیشرفته برای مدل‌های با توان پردازشی بالا
, ,

کتاب کوانتیزاسیون مدل‌های زبانی بزرگ: تکنیک‌های پیشرفته برای مدل‌های با توان پردازشی بالا

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000029293 دسته: , ,

📚 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 مدل‌های زبانی بزرگ: تکنیک‌های پیشرفته برای مدل‌های با توان پردازشی بالا

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Quantization

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه به کوانتیزاسیون
  • 2. اهمیت کوانتیزاسیون در مدل‌های زبانی بزرگ
  • 3. چالش‌های کوانتیزاسیون در LLMها
  • 4. اهداف دوره
  • 5. پیش‌نیازهای دوره
  • 6. مروری بر مدل‌های زبانی بزرگ
  • 7. معماری ترنسفورمر
  • 8. لایه توجه (Attention Layer)
  • 9. لایه فید-فوروارد (Feed-Forward Layer)
  • 10. لایه نرمال‌سازی (Normalization Layer)
  • 11. تابع فعال‌سازی (Activation Function)
  • 12. مبانی کوانتیزاسیون
  • 13. تعریف کوانتیزاسیون
  • 14. انواع کوانتیزاسیون (خطی، غیرخطی)
  • 15. رزولوشن (Resolution) در کوانتیزاسیون
  • 16. محدوده (Range) در کوانتیزاسیون
  • 17. کوانتیزاسیون بدون مقیاس (Scale-free Quantization)
  • 18. کوانتیزاسیون با مقیاس (Scale-based Quantization)
  • 19. کوانتیزاسیون با آفست (Offset-based Quantization)
  • 20. کوانتیزاسیون آفست‌دار (Zero-point Quantization)
  • 21. کوانتیزاسیون در مقابل دیسکریت‌سازی (Discretization)
  • 22. کوانتیزاسیون در سخت‌افزار
  • 23. اثرات کوانتیزاسیون بر دقت مدل
  • 24. معیارهای ارزیابی کوانتیزاسیون
  • 25. خطای کوانتیزاسیون (Quantization Error)
  • 26. نسبت سیگنال به نویز (SNR)
  • 27. تست‌های بنچمارک برای LLMها
  • 28. کوانتیزاسیون پس از آموزش (Post-Training Quantization – PTQ)
  • 29. مقدمه بر PTQ
  • 30. روش‌های PTQ ساده
  • 31. کوانتیزاسیون متقارن (Symmetric Quantization)
  • 32. کوانتیزاسیون نامتقارن (Asymmetric Quantization)
  • 33. کوانتیزاسیون مبتنی بر هیستوگرام (Histogram-based Quantization)
  • 34. کوانتیزاسیون مبتنی بر آماره‌ها (Statistics-based Quantization)
  • 35. کوانتیزاسیون لایه‌ای (Layer-wise Quantization)
  • 36. کوانتیزاسیون سراسری (Global Quantization)
  • 37. کوانتیزاسیون حساس به حساسیت (Sensitivity-aware Quantization)
  • 38. کوانتیزاسیون تطبیقی (Adaptive Quantization)
  • 39. کوانتیزاسیون لایه‌ای سفارشی (Custom Layer-wise Quantization)
  • 40. کوانتیزاسیون پارامترهای مدل (Weights Quantization)
  • 41. کوانتیزاسیون فعال‌سازی‌ها (Activations Quantization)
  • 42. کوانتیزاسیون گرادیان‌ها (Gradients Quantization)
  • 43. کوانتیزاسیون تنسورهای ورودی (Input Tensors Quantization)
  • 44. کوانتیزاسیون تنسورهای خروجی (Output Tensors Quantization)
  • 45. کوانتیزاسیون با استفاده از مجموعه داده کوچک (Calibration Set)
  • 46. کالیبراسیون فعال‌سازی‌ها
  • 47. کالیبراسیون وزن‌ها
  • 48. کوانتیزاسیون با دقت متغیر (Mixed-Precision Quantization)
  • 49. مزایای دقت متغیر
  • 50. چالش‌های دقت متغیر
  • 51. تکنیک‌های دقت متغیر
  • 52. کوانتیزاسیون در طول آموزش (Quantization-Aware Training – QAT)
  • 53. مقدمه بر QAT
  • 54. تفاوت QAT با PTQ
  • 55. شبیه‌سازی کوانتیزاسیون در گراف محاسباتی
  • 56. تکنیک‌های QAT
  • 57. اهمیت آموزش حساس به کوانتیزاسیون (Quantization-Sensitive Training)
  • 58. استفاده از شبیه‌ساز کوانتیزاسیون (Quantization Simulator)
  • 59. بهینه‌سازی پارامترهای کوانتیزاسیون در طول آموزش
  • 60. آموزش کوانتیزاسیون با گرادیان تقریبی (Approximate Gradient Quantization)
  • 61. آموزش کوانتیزاسیون با روش پس‌انتشار تقریبی (Approximate Backpropagation)
  • 62. کوانتیزاسیون با دقت پایین (Low-bit Quantization)
  • 63. کوانتیزاسیون 2 بیتی (2-bit Quantization)
  • 64. کوانتیزاسیون 3 بیتی (3-bit Quantization)
  • 65. کوانتیزاسیون 4 بیتی (4-bit Quantization)
  • 66. کوانتیزاسیون 8 بیتی (8-bit Quantization)
  • 67. تکنیک‌های پیشرفته کوانتیزاسیون
  • 68. کوانتیزاسیون گروه‌بندی شده (Grouped Quantization)
  • 69. کوانتیزاسیون متناسب با کانال (Channel-wise Quantization)
  • 70. کوانتیزاسیون متناسب با گروه (Group-wise Quantization)
  • 71. کوانتیزاسیون مبتنی بر درخت (Tree-based Quantization)
  • 72. کوانتیزاسیون مبتنی بر یادگیری (Learned Quantization)
  • 73. یادگیری مقیاس‌ها و آفست‌ها
  • 74. یادگیری توابع کوانتیزاسیون
  • 75. کوانتیزاسیون با استفاده از شبکه‌های عصبی کوچک (Quantization Neural Networks)
  • 76. کوانتیزاسیون ترنسفورمرهای توجه (Quantizing Attention Transformers)
  • 77. کوانتیزاسیون لایه‌های توجه
  • 78. کوانتیزاسیون لایه‌های فید-فوروارد
  • 79. کوانتیزاسیون لایه‌های نرمال‌سازی
  • 80. کوانتیزاسیون توابع فعال‌سازی
  • 81. کوانتیزاسیون مدل‌های بزرگ به صورت عملی
  • 82. ابزارهای کوانتیزاسیون (TensorFlow Lite, PyTorch Quantization, ONNX Runtime)
  • 83. پیاده‌سازی PTQ با ابزارهای موجود
  • 84. پیاده‌سازی QAT با ابزارهای موجود
  • 85. تکنیک‌های فشرده‌سازی مدل در کنار کوانتیزاسیون
  • 86. هرس مدل (Pruning)
  • 87. تقطیر دانش (Knowledge Distillation)
  • 88. کوانتیزاسیون برای کاربردهای خاص (Edge AI, Mobile Devices)
  • 89. ملاحظات عملکردی (Performance Considerations)
  • 90. کاهش مصرف حافظه (Memory Footprint Reduction)
  • 91. افزایش سرعت استنتاج (Inference Speed-up)
  • 92. مصرف انرژی (Energy Consumption)
  • 93. ارزیابی و اعتبارسنجی مدل‌های کوانتیزه شده
  • 94. تست‌های استرس (Stress Tests)
  • 95. تحلیل حساسیت به داده‌های جدید (Sensitivity to New Data)
  • 96. مقایسه با مدل‌های اصلی
  • 97. آینده کوانتیزاسیون در LLMها
  • 98. کوانتیزاسیون به سطوح بسیار پایین (Ultra-low-bit Quantization)
  • 99. کوانتیزاسیون پویا (Dynamic Quantization)
  • 100. کوانتیزاسیون خودکار (Auto-Quantization)

📚 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 کوانتیزاسیون مدل‌های زبانی بزرگ: تکنیک‌های پیشرفته برای مدل‌های با توان پردازشی بالا”

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

محصولات مشابه

پیمایش به بالا