سپنتا کتاب اکسپرس
کتاب ساخت و استقرار مدل‌های یادگیری عمیق توزیع‌شده با PyTorch

کتاب ساخت و استقرار مدل‌های یادگیری عمیق توزیع‌شده با PyTorch

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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و استقرار مدل‌های یادگیری عمیق توزیع‌شده با PyTorch

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: PyTorch Ecosystem

📋 سرفصل‌های دوره

  • 1. مقدمه به یادگیری عمیق توزیع‌شده
  • 2. مبانی PyTorch
  • 3. مفاهیم کلیدی PyTorch
  • 4. تانسورها و عملیات روی آن‌ها
  • 5. گرادیان‌ها و محاسبه خودکار
  • 6. شبکه‌های عصبی در PyTorch
  • 7. لایه‌های متداول شبکه‌های عصبی
  • 8. توابع فعال‌سازی
  • 9. بهینه‌سازها در PyTorch
  • 10. توابع زیان
  • 11. چرخه آموزش مدل
  • 12. مدیریت داده‌ها با DataLoader
  • 13. پیش‌پردازش داده‌ها
  • 14. افزایش داده‌ها
  • 15. مدل‌های ترتیبی
  • 16. شبکه‌های عصبی کانولوشنی (CNN)
  • 17. کاربرد CNN در بینایی کامپیوتر
  • 18. شبکه‌های عصبی بازگشتی (RNN)
  • 19. کاربرد RNN در پردازش زبان طبیعی
  • 20. حافظه طولانی کوتاه مدت (LSTM)
  • 21. واحدهای بازگشتی گیت‌دار (GRU)
  • 22. مدل‌های ترنسفورمر
  • 23. مکانیسم توجه
  • 24. توضیح ترنسفورمرها
  • 25. پیاده‌سازی ترنسفورمر با PyTorch
  • 26. پیش‌نیازهای یادگیری توزیع‌شده
  • 27. مفاهیم پایه‌ای پردازش موازی
  • 28. مدل‌های موازی‌سازی
  • 29. داده موازی‌سازی
  • 30. موازی‌سازی مدل
  • 31. موازی‌سازی تانسور
  • 32. استراتژی‌های موازی‌سازی
  • 33. انتخاب استراتژی مناسب
  • 34. محدودیت‌های موازی‌سازی
  • 35. مقیاس‌پذیری در یادگیری عمیق
  • 36. توزیع بار محاسباتی
  • 37. ارتباطات بین پردازنده‌ها
  • 38. پهنای باند و تأخیر شبکه
  • 39. بهینه‌سازی ارتباطات
  • 40. کتابخانه‌های یادگیری توزیع‌شده
  • 41. PyTorch DistributedDataParallel
  • 42. PyTorch FullyShardedDataParallel
  • 43. PyTorch RPC (Remote Procedure Call)
  • 44. استفاده از DataParallel
  • 45. استفاده از DistributedDataParallel
  • 46. مقایسه DataParallel و DistributedDataParallel
  • 47. آموزش توزیع‌شده با چندین GPU
  • 48. آموزش توزیع‌شده با چندین گره (Node)
  • 49. تنظیمات محیطی برای آموزش توزیع‌شده
  • 50. استفاده از مفسر `torchrun`
  • 51. متغیرهای محیطی برای تنظیمات
  • 52. مدیریت Checkpoint در آموزش توزیع‌شده
  • 53. ذخیره و بارگذاری مدل‌های توزیع‌شده
  • 54. بازیابی وضعیت آموزش
  • 55. اشکال‌زدایی مدل‌های توزیع‌شده
  • 56. نظارت بر فرآیند آموزش توزیع‌شده
  • 57. ابزارهای نظارتی
  • 58. مقیاس‌پذیری سخت‌افزاری
  • 59. معماری‌های سخت‌افزاری
  • 60. GPUهای مدرن
  • 61. FPGAها و ASICها
  • 62. ملاحظات پهنای باند حافظه
  • 63. بهینه‌سازی مصرف حافظه
  • 64. کوانتیزاسیون مدل
  • 65. تقطیر دانش (Knowledge Distillation)
  • 66. آموزش با دقت ترکیبی (Mixed Precision Training)
  • 67. استفاده از AMP (Automatic Mixed Precision)
  • 68. تنظیمات AMP
  • 69. مزایا و معایب AMP
  • 70. مدیریت خطا در سیستم‌های توزیع‌شده
  • 71. شکست گره (Node Failure)
  • 72. بازیابی از شکست
  • 73. تحمل پذیری خطا (Fault Tolerance)
  • 74. طراحی مدل‌های مقاوم به خطا
  • 75. استقرار مدل‌های توزیع‌شده
  • 76. مبانی استقرار مدل
  • 77. محیط‌های استقرار
  • 78. Docker و کانتینرسازی
  • 79. Kubernetes برای ارکستراسیون
  • 80. پلتفرم‌های ابری (AWS, GCP, Azure)
  • 81. ارزیابی عملکرد مدل در استقرار
  • 82. بنچمارکینگ مدل‌های توزیع‌شده
  • 83. زمان پاسخگویی (Latency)
  • 84. توان عملیاتی (Throughput)
  • 85. مصرف منابع
  • 86. بهینه‌سازی برای استقرار
  • 87. پایپ‌لاینینگ مدل
  • 88. تکنیک‌های موازی‌سازی برای استقرار
  • 89. موازنه بار (Load Balancing)
  • 90. استقرار مدل‌های Real-time
  • 91. ملاحظات امنیتی در استقرار
  • 92. پروتکل‌های ارتباطی امن
  • 93. رمزگذاری داده‌ها
  • 94. مدیریت دسترسی
  • 95. مقیاس‌پذیری افقی و عمودی
  • 96. انتخاب معماری استقرار
  • 97. مانیتورینگ مدل مستقر
  • 98. لاگ‌گیری و ردیابی
  • 99. تشخیص ناهنجاری (Anomaly Detection)
  • 100. به‌روزرسانی مدل‌های مستقر

📚 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.