سپنتا کتاب اکسپرس
کتاب کوانتیزاسیون مدل‌های زبانی بزرگ: بهینه‌سازی برای کاربردهای مختلف

کتاب کوانتیزاسیون مدل‌های زبانی بزرگ: بهینه‌سازی برای کاربردهای مختلف

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 مدل‌های زبانی بزرگ: بهینه‌سازی برای کاربردهای مختلف

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Quantization

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه به کوانتیزاسیون مدل‌های زبانی بزرگ
  • 2. تعریف و اهمیت کوانتیزاسیون
  • 3. تاریخچه کوانتیزاسیون در یادگیری عمیق
  • 4. چالش‌های کوانتیزاسیون در مدل‌های زبانی بزرگ
  • 5. مزایای کوانتیزاسیون برای کاربردهای مختلف
  • 6. اهداف دوره آموزشی
  • 7. مروری بر مدل‌های زبانی بزرگ (LLMs)
  • 8. معماری‌های رایج LLMs (ترنسفورمرها)
  • 9. لایه های کلیدی در LLMs (توجه، Feed-forward)
  • 10. پارامترها و محاسبات در LLMs
  • 11. نیاز به بهینه‌سازی LLMs
  • 12. مفاهیم پایه کوانتیزاسیون
  • 13. تعریف کوانتیزاسیون
  • 14. انواع کوانتیزاسیون (پایین، بالا)
  • 15. کوانتیزاسیون ثابت (Fixed-point)
  • 16. کوانتیزاسیون ممیز شناور (Floating-point)
  • 17. کوانتیزاسیون به تعداد بیت‌های کم
  • 18. کوانتیزاسیون خطی
  • 19. کوانتیزاسیون غیرخطی
  • 20. کوانتیزاسیون متقارن و نامتقارن
  • 21. رنج کوانتیزاسیون (Quantization Range)
  • 22. مقیاس (Scale) و افست (Zero-point)
  • 23. کوانتیزاسیون پس از آموزش (Post-Training Quantization - PTQ)
  • 24. کوانتیزاسیون در حین آموزش (Quantization-Aware Training - QAT)
  • 25. کوانتیزاسیون فعال (Active Quantization)
  • 26. کوانتیزاسیون غیرفعال (Passive Quantization)
  • 27. روش‌های کوانتیزاسیون PTQ
  • 28. کوانتیزاسیون بدون کالیبراسیون (Zero-shot Quantization)
  • 29. کوانتیزاسیون با کالیبراسیون (Calibration-based Quantization)
  • 30. استفاده از مجموعه داده کوچک برای کالیبراسیون
  • 31. روش‌های مختلف انتخاب داده کالیبراسیون
  • 32. کوانتیزاسیون پارامترها (Weights Quantization)
  • 33. کوانتیزاسیون فعال‌سازی‌ها (Activations Quantization)
  • 34. کوانتیزاسیون لایه‌های خاص (مثلاً لایه خروجی)
  • 35. کوانتیزاسیون به 8 بیت (INT8)
  • 36. کوانتیزاسیون به 4 بیت (INT4)
  • 37. کوانتیزاسیون به 2 بیت (INT2)
  • 38. کوانتیزاسیون با دقت متغیر (Mixed-precision Quantization)
  • 39. کوانتیزاسیون با پارامترهای متغیر (Per-channel Quantization)
  • 40. کوانتیزاسیون گسسته (Block-wise Quantization)
  • 41. روش‌های کوانتیزاسیون QAT
  • 42. نقش گرادیان‌ها در QAT
  • 43. آموزش با شبیه‌سازی کوانتیزاسیون
  • 44. استفاده از Noise در QAT
  • 45. تنظیم نرخ یادگیری در QAT
  • 46. تنظیم زمان‌بندی کوانتیزاسیون در QAT
  • 47. روش‌های پیشرفته QAT
  • 48. کوانتیزاسیون لایه‌ای
  • 49. کوانتیزاسیون گروهی
  • 50. کوانتیزاسیون با یادگیری مقیاس و افست
  • 51. کوانتیزاسیون با یادگیری تابع کوانتیزاسیون
  • 52. تأثیر کوانتیزاسیون بر عملکرد مدل
  • 53. کاهش دقت (Accuracy Degradation)
  • 54. روش‌های کاهش افت دقت
  • 55. تکنیک‌های جبران افت دقت
  • 56. حفظ دقت با کوانتیزاسیون
  • 57. ارزیابی کیفیت مدل پس از کوانتیزاسیون
  • 58. معیارهای ارزیابی (Perplexity, BLEU, ROUGE)
  • 59. تأثیر کوانتیزاسیون بر سرعت استنتاج (Inference Speed)
  • 60. کاهش مصرف حافظه (Memory Footprint)
  • 61. کاهش مصرف انرژی (Energy Consumption)
  • 62. کوانتیزاسیون برای کاربردهای مختلف
  • 63. کوانتیزاسیون برای پردازش زبان طبیعی (NLP)
  • 64. کوانتیزاسیون برای تولید متن (Text Generation)
  • 65. کوانتیزاسیون برای ترجمه ماشینی (Machine Translation)
  • 66. کوانتیزاسیون برای خلاصه‌سازی متن (Text Summarization)
  • 67. کوانتیزاسیون برای پاسخ به سوال (Question Answering)
  • 68. کوانتیزاسیون برای تحلیل احساسات (Sentiment Analysis)
  • 69. کوانتیزاسیون برای ربات‌های چت (Chatbots)
  • 70. کوانتیزاسیون برای کاربردهای لبه (Edge Devices)
  • 71. کوانتیزاسیون برای موبایل
  • 72. کوانتیزاسیون برای دستگاه‌های کم‌توان
  • 73. کوانتیزاسیون برای سیستم‌های تعبیه‌شده (Embedded Systems)
  • 74. کوانتیزاسیون برای معماری‌های سخت‌افزاری خاص
  • 75. کوانتیزاسیون برای GPU ها
  • 76. کوانتیزاسیون برای CPU ها
  • 77. کوانتیزاسیون برای شتاب‌دهنده‌های هوش مصنوعی (AI Accelerators)
  • 78. کوانتیزاسیون برای سخت‌افزارهای FPGA
  • 79. کوانتیزاسیون برای سخت‌افزارهای ASIC
  • 80. ابزارها و فریم‌ورک‌های کوانتیزاسیون
  • 81. TensorFlow Lite
  • 82. PyTorch Mobile
  • 83. ONNX Runtime
  • 84. NVIDIA TensorRT
  • 85. OpenVINO
  • 86. Intel Neural Compressor
  • 87. Hugging Face Optimum
  • 88. نحوه استفاده از ابزارها
  • 89. مثال‌های عملی کوانتیزاسیون
  • 90. کوانتیزاسیون یک مدل LLM از پیش آموزش دیده
  • 91. پیاده‌سازی PTQ
  • 92. پیاده‌سازی QAT
  • 93. تکنیک‌های بهینه‌سازی پیشرفته
  • 94. کوانتیزاسیون با استفاده از الگوریتم‌های ژنتیک
  • 95. کوانتیزاسیون با یادگیری تقویتی
  • 96. کوانتیزاسیون پویا (Dynamic Quantization)
  • 97. کوانتیزاسیون هیبریدی
  • 98. کوانتیزاسیون برای مدل‌های خاص (مانند GPT-2, BERT, T5)
  • 99. چالش‌های پیش رو در کوانتیزاسیون LLMs
  • 100. کوانتیزاسیون مدل‌های بسیار بزرگ

📚 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.