🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: تکنیک‌های کوانتیزاسیون (Quantization) برای مدل‌های DL

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر یادگیری عمیق و هزینه‌های محاسباتی آن
• 2. چرا به فشرده‌سازی مدل نیاز داریم؟ اهداف و انگیزه‌ها
• 3. مروری بر محاسبات سطح بالا (HPC) و نقش آن در هوش مصنوعی
• 4. کوانتیزاسیون چیست؟ مقدمه‌ای بر مفاهیم اصلی
• 5. تاریخچه و تکامل تکنیک‌های کوانتیزاسیون
• 6. اعداد ممیز شناور: از FP32 تا FP16 و Bfloat16
• 7. اعداد صحیح: مبانی INT8، INT4 و محاسبات کم‌دقت
• 8. مقایسه حساب ممیز ثابت (Fixed-Point) و ممیز شناور (Floating-Point)
• 9. معیارهای کلیدی: دقت، سرعت (Latency & Throughput) و اندازه مدل
• 10. چالش‌ها و بده‌بستان‌ها در کوانتیزاسیون
• 11. معرفی انواع کوانتیزاسیون: ایستا (Static) در مقابل پویا (Dynamic)
• 12. معرفی انواع فرآیندها: کوانتیزاسیون پس از آموزش (PTQ) در مقابل آموزش آگاه از کوانتیزاسیون (QAT)
• 13. مروری بر سخت‌افزارهای پشتیبانی‌کننده از محاسبات کم‌دقت
• 14. معماری مدل‌ها و تأثیر آن بر قابلیت کوانتیزاسیون
• 15. نقشه راه دوره: از مبانی تا تکنیک‌های پیشرفته
• 16. نگاشت کوانتیزاسیون (Quantization Mapping): مفهوم مقیاس (Scale) و نقطه صفر (Zero-Point)
• 17. کوانتیزاسیون متقارن (Symmetric)
• 18. کوانتیزاسیون نامتقارن (Affine/Asymmetric)
• 19. انتخاب بین نگاشت متقارن و نامتقارن
• 20. گرانولاریته کوانتیزاسیون: Per-Tensor
• 21. گرانولاریته کوانتیزاسیون: Per-Channel (Per-Axis)
• 22. گرانولاریته کوانتیزاسیون: Per-Group و کاربردهای آن
• 23. فرآیند کالیبراسیون (Calibration): چرا و چگونه؟
• 24. انتخاب و آماده‌سازی مجموعه داده کالیبراسیون
• 25. تعیین محدوده دینامیکی (Dynamic Range): روش Min-Max
• 26. تعیین محدوده دینامیکی: روش آنتروپی (Entropy)
• 27. تعیین محدوده دینامیکی: روش خطای میانگین مربعات (MSE)
• 28. مفهوم Clipping و تأثیر آن بر دقت
• 29. فرمول‌های ریاضی کوانتیزاسیون و دی‌کوانتیزاسیون
• 30. کوانتیزاسیون شبیه‌سازی شده (Simulated/Fake Quantization)
• 31. نقش دی‌کوانتیزاسیون در محاسبات ترکیبی
• 32. کوانتیزاسیون وزن‌ها (Weights)
• 33. کوانتیزاسیون فعال‌سازی‌ها (Activations)
• 34. مدیریت بایاس‌ها (Biases) در فرآیند کوانتیزاسیون
• 35. ادغام عملگرها (Operator Fusion) برای بهینه‌سازی عملکرد
• 36. مقدمه‌ای جامع بر کوانتیزاسیون پس از آموزش (PTQ)
• 37. جریان کاری PTQ ایستا (Static PTQ)
• 38. کالیبراسیون در PTQ ایستا: گام به گام
• 39. جریان کاری PTQ پویا (Dynamic PTQ)
• 40. مقایسه PTQ ایستا و پویا: چه زمانی از کدام استفاده کنیم؟
• 41. چالش‌های رایج در PTQ و افت دقت
• 42. تکنیک‌های بازیابی دقت در PTQ
• 43. تصحیح بایاس (Bias Correction)
• 44. متعادل‌سازی بین لایه‌ای (Cross-Layer Equalization – CLE)
• 45. AdaRound: گرد کردن تطبیقی برای وزن‌ها
• 46. کوانتیزاسیون بدون داده (Data-Free Quantization)
• 47. پیاده‌سازی یک پایپ‌لاین PTQ ساده
• 48. آنالیز حساسیت لایه‌ها به کوانتیزاسیون
• 49. بهینه‌سازی PTQ برای مدل‌های CNN
• 50. بهینه‌سازی PTQ برای مدل‌های Transformer
• 51. محدودیت‌های PTQ و زمان حرکت به سمت QAT
• 52. ابزارهای خودکارسازی PTQ
• 53. ارزیابی مدل‌های کوانتیزه شده با PTQ
• 54. دیباگ کردن مشکلات دقت در PTQ
• 55. مطالعه موردی: PTQ یک مدل ResNet
• 56. مقدمه‌ای بر آموزش آگاه از کوانتیزاسیون (QAT)
• 57. چرا QAT به بازیابی دقت کمک می‌کند؟
• 58. تخمین‌گر مستقیم (Straight-Through Estimator – STE)
• 59. مدل‌سازی کوانتیزاسیون در گراف محاسباتی
• 60. انتشار رو به جلو (Forward Pass) با کوانتیزاسیون شبیه‌سازی شده
• 61. انتشار رو به عقب (Backward Pass) و محاسبه گرادیان‌ها در QAT
• 62. جریان کاری QAT: از مدل Pre-trained تا مدل کوانتیزه نهایی
• 63. پیاده‌سازی یک پایپ‌لاین QAT ساده
• 64. تکنیک تا کردن نرمال‌سازی دسته‌ای (Batch Normalization Folding)
• 65. آموزش پارامترهای کوانتیزاسیون (Learnable Quantization Parameters)
• 66. تنظیم نرخ یادگیری و فرآیند fine-tuning در QAT
• 67. شروع QAT از ابتدا (Training from Scratch) در مقابل Fine-tuning
• 68. مدیریت لایه‌های حساس در QAT
• 69. QAT برای کوانتیزاسیون فعال‌سازی‌ها
• 70. چالش‌های همگرایی در QAT
• 71. تکنیک‌های پیشرفته در QAT
• 72. مقایسه جامع PTQ و QAT: عملکرد، هزینه و پیچیدگی
• 73. ابزارهای فریمورک‌ها برای QAT
• 74. دیباگ کردن فرآیند آموزش QAT
• 75. مطالعه موردی: QAT یک مدل BERT
• 76. کوانتیزاسیون با دقت ترکیبی (Mixed-Precision Quantization)
• 77. استراتژی‌های خودکار برای انتخاب دقت ترکیبی
• 78. کوانتیزاسیون آگاه از سخت‌افزار (Hardware-Aware Quantization)
• 79. کوانتیزاسیون با بیت‌های بسیار کم: مقدمه‌ای بر INT4 و INT2
• 80. شبکه‌های عصبی باینری (Binary Neural Networks – BNNs)
• 81. تابع XNOR و پیاده‌سازی شبکه‌های باینری
• 82. شبکه‌های عصبی سه‌تایی (Ternary Neural Networks – TNNs)
• 83. کوانتیزاسیون لگاریتمی و غیرخطی
• 84. کوانتیزاسیون برداری (Vector Quantization)
• 85. کوانتیزاسیون K-Means برای فشرده‌سازی وزن‌ها
• 86. کوانتیزاسیون Zero-Shot
• 87. مروری بر الگوریتم‌های پیشرفته: LSQ, PACT
• 88. آینده کوانتیزاسیون: روندهای نوظهور
• 89. کوانتیزاسیون در TensorFlow: ابزار بهینه‌سازی مدل
• 90. استقرار مدل‌های کوانتیزه شده با TensorFlow Lite
• 91. کوانتیزاسیون در PyTorch: ماژول‌های FX و Eager Mode
• 92. پیاده‌سازی PTQ و QAT با استفاده از PyTorch
• 93. فرمت ONNX و نقش آن در کوانتیزاسیون
• 94. بهینه‌سازی با ONNX Runtime
• 95. شتاب‌دهی استنتاج با NVIDIA TensorRT
• 96. نقش هسته‌های Tensor (Tensor Cores) در پردازنده‌های گرافیکی NVIDIA
• 97. بهینه‌سازی برای پردازنده‌های مرکزی با Intel OpenVINO
• 98. پشتیبانی سخت‌افزاری CPU از کوانتیزاسیون (VNNI, AVX512)
• 99. استقرار روی دستگاه‌های لبه (Edge Devices) و موبایل
• 100. جمع‌بندی دوره، بهترین شیوه‌ها و گام‌های بعدی

بهینه‌سازی مدل‌های DL با تکنیک‌های کوانتیزاسیون: سرعت و کارایی را لمس کنید!

معرفی دوره

آیا به دنبال راهی هستید تا مدل‌های یادگیری عمیق خود را سریع‌تر و کم‌حجم‌تر کنید؟ آیا می‌خواهید مدل‌های خود را روی دستگاه‌های با منابع محدود (مانند موبایل و اینترنت اشیا) اجرا کنید؟ دوره “تکنیک‌های کوانتیزاسیون برای مدل‌های DL” دقیقا همان چیزی است که به آن نیاز دارید!

در این دوره جامع، شما با اصول و تکنیک‌های مختلف کوانتیزاسیون آشنا می‌شوید. یاد می‌گیرید چگونه دقت مدل‌های خود را حفظ کرده و در عین حال حجم و زمان اجرای آن‌ها را به طور چشمگیری کاهش دهید. با استفاده از این تکنیک‌ها، می‌توانید مدل‌های DL خود را برای کاربردهای مختلف بهینه کنید و از مزایای آن‌ها در دنیای واقعی بهره‌مند شوید.

این دوره، دروازه‌ای است به دنیای محاسبات سطح بالا و یادگیری عمیق بهینه. با ما همراه شوید تا دانش و مهارت‌های لازم برای تبدیل شدن به یک متخصص کوانتیزاسیون را کسب کنید.

درباره دوره

این دوره به شما آموزش می‌دهد که چگونه با استفاده از تکنیک‌های مختلف کوانتیزاسیون، مدل‌های یادگیری عمیق (DL) خود را بهینه کنید. این بهینه‌سازی به شما کمک می‌کند تا مدل‌های خود را سریع‌تر اجرا کنید، مصرف حافظه را کاهش دهید و آن‌ها را روی دستگاه‌های با منابع محدود مستقر کنید. دوره شامل آموزش‌های تئوری و عملی است و شما فرصت خواهید داشت تا با پیاده‌سازی پروژه‌های عملی، مهارت‌های خود را تقویت کنید.

موضوعات کلیدی

• مبانی کوانتیزاسیون و ضرورت آن
• انواع روش‌های کوانتیزاسیون (به عنوان مثال، کوانتیزاسیون بعد از آموزش، آموزش آگاهانه از کوانتیزاسیون)
• تکنیک‌های کالیبراسیون برای حفظ دقت مدل
• پیاده‌سازی کوانتیزاسیون در فریم‌ورک‌های مختلف (مانند TensorFlow، PyTorch)
• ارزیابی و مقایسه عملکرد مدل‌های کوانتیزه شده
• بهینه‌سازی مدل‌های کوانتیزه شده برای سخت‌افزارهای مختلف
• کوآنتیزاسیون دینامیک و استاتیک
• تاثیر کوانتیزاسیون بر دقت مدل و روش‌های کاهش اثرات منفی
• استفاده از ابزارها و کتابخانه‌های کوانتیزاسیون
• مباحث پیشرفته در کوانتیزاسیون

مخاطبان دوره

این دوره برای افراد زیر مناسب است:

• دانشجویان و فارغ التحصیلان رشته‌های کامپیوتر، مهندسی برق و سایر رشته‌های مرتبط
• متخصصان یادگیری عمیق و توسعه‌دهندگان مدل‌های DL
• محققان و پژوهشگران در زمینه هوش مصنوعی
• افرادی که به دنبال بهینه‌سازی مدل‌های DL برای استقرار در دستگاه‌های با منابع محدود هستند
• مهندسین نرم‌افزار که به دنبال افزایش سرعت و کارایی برنامه‌های خود هستند

چرا این دوره را بگذرانیم؟

با گذراندن این دوره، شما به یک متخصص در زمینه کوانتیزاسیون مدل‌های DL تبدیل می‌شوید و می‌توانید:

• مدل‌های DL را سریع‌تر اجرا کنید: با کاهش حجم مدل و بهینه‌سازی محاسبات، سرعت اجرای مدل‌های خود را به طور چشمگیری افزایش دهید.
• مصرف حافظه را کاهش دهید: مدل‌های کم‌حجم‌تر به معنای مصرف حافظه کمتر و امکان اجرای مدل‌ها روی دستگاه‌های با منابع محدود است.
• مدل‌های خود را روی دستگاه‌های موبایل و اینترنت اشیا مستقر کنید: با بهینه‌سازی مدل‌ها، آن‌ها را برای استقرار روی دستگاه‌های مختلف آماده کنید.
• در پروژه‌های یادگیری عمیق خود پیشرفت کنید: با دانش و مهارت‌های کسب شده در این دوره، می‌توانید به طور موثرتری در پروژه‌های یادگیری عمیق خود شرکت کنید و نتایج بهتری کسب کنید.
• فرصت‌های شغلی جدیدی را کشف کنید: دانش کوانتیزاسیون، مهارتی ارزشمند در بازار کار است و می‌تواند به شما در یافتن فرصت‌های شغلی جدید کمک کند.
• به روز باشید: کوانتیزاسیون یکی از حوزه‌های فعال در تحقیقات یادگیری عمیق است. با شرکت در این دوره، شما از آخرین دستاوردها و تکنیک‌های این حوزه آگاه خواهید شد.

همین حالا ثبت‌نام کنید و سفر خود را به سوی تبدیل شدن به یک متخصص کوانتیزاسیون آغاز کنید!

سرفصل‌های دوره

این دوره جامع شامل بیش از 100 سرفصل است که به طور کامل مباحث تئوری و عملی کوانتیزاسیون را پوشش می‌دهد. برخی از سرفصل‌های کلیدی عبارتند از:

• مقدمه‌ای بر یادگیری عمیق و محاسبات سطح بالا
• مفاهیم پایه کوانتیزاسیون
• انواع روش‌های کوانتیزاسیون (ساکن، پویا، آگاه از آموزش)
• تکنیک‌های کالیبراسیون و کاهش خطا
• کوانتیزاسیون وزن‌ها و فعال‌سازها
• پیاده‌سازی کوانتیزاسیون در TensorFlow
• پیاده‌سازی کوانتیزاسیون در PyTorch
• ارزیابی عملکرد مدل‌های کوانتیزه شده
• بهینه‌سازی مدل‌های کوانتیزه شده برای CPU و GPU
• کوانتیزاسیون در دستگاه‌های موبایل و Embedded
• ابزارها و کتابخانه‌های کوانتیزاسیون
• مباحث پیشرفته در کوانتیزاسیون
• پروژه‌های عملی کوانتیزاسیون
• بهینه سازی با استفاده از ترینیگ بعد از کوانتیزاسیون
• تاثیر کوانتیزاسیون بر معماری مدل
• کوآنتیزاسیون ترکیبی با روش‌های دیگر بهینه‌سازی
• کوانتیزاسیون در شبکه‌های عصبی بازگشتی (RNN)
• کوانتیزاسیون در شبکه‌های عصبی کانولوشنال (CNN)
• مقایسه فریمورک های مختلف برای کوانتیزاسیون
• بهینه سازی حافظه در مدل های کوانتیزه شده
• استراتژی های مختلف کالیبراسیون
• حساسیت لایه ها به کوانتیزاسیون
• معرفی ابزارهای پروفایلینگ مدل
• بهینه سازی برای دستگاه های خاص (NPU)
• تکنیک های کاهش حجم مدل
• آموزش با کمترین دقت (Low Precision Training)
• مدیریت مقیاس پذیری مدل های کوانتیزه شده
• تکنیک های کوانتیزاسیون ترکیبی
• بهبود دقت مدل بعد از کوانتیزاسیون
• استفاده از کوانتیزاسیون برای یادگیری تقویتی
• کوانتیزاسیون در پردازش زبان طبیعی (NLP)
• کوانتیزاسیون در بینایی ماشین (Computer Vision)
• و … (بیش از 70 سرفصل دیگر)

برای مشاهده لیست کامل سرفصل‌ها، به صفحه دوره مراجعه کنید.

📦 مجموعه شامل:

• ✅ ویدیوهای فارسی
• ✅ پادکست های صوتی فارسی
• ✅ کتاب PDF فارسی
• ✅ کتاب ۱۰۰۰ نکته فارسی خودمونی
• ✅ کتاب ۱۰۰۰ نکته رسمی فارسی
• ✅ کتاب ۱۰۰۰ پرسش و پاسخ ۴ گزینه ای فارسی

📚 محتوای این محصول آموزشی (پکیج کامل)

🎁 محتویات کامل بسته دانلودی

• ویدیوهای آموزشی فارسی — آموزش قدم‌به‌قدم، کاربردی و قابل فهم
• پادکست‌های صوتی فارسی — توضیح مفاهیم کلیدی و نکات تکمیلی
• کتاب PDF فارسی — شامل کلیهٔ سرفصل‌ها و محتوای آموزشی
• کتاب خلاصه نکات ویدیوها و پادکست‌ها – نسخه PDF — مناسب مرور سریع و جمع‌بندی مباحث
• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد، علمی و مناسب چاپ
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال بلافاصله همراه با پاسخ کامل و شفاف ارائه شده است؛ مناسب درک عمیق مفاهیم و رفع ابهام.
• کتاب صدها پرسش و پاسخ چهارگزینه‌ای – نسخه PDF (نسخه یادگیری سریع)
  — پاسخ‌ها بلافاصله پس از سؤال قرار دارند؛ مناسب یادگیری سریع و تثبیت مطالب.
• کتاب صدها پرسش و پاسخ چهارگزینه‌ای – نسخه PDF (نسخه خودآزمایی پایان‌بخش)
  — پاسخ‌ها در انتهای هر بخش آمده‌اند؛ مناسب آزمون واقعی و سنجش میزان یادگیری.
• کتاب تمرین‌های درست / نادرست (True / False) – نسخه PDF
  — مناسب افزایش دقت مفهومی و تشخیص صحیح یا نادرست بودن گزاره‌ها.
• کتاب تمرین‌های جای خالی – نسخه PDF
  — تقویت یادگیری فعال و تسلط بر مفاهیم و اصطلاحات کلیدی.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل آموزش تصویری، صوتی، کتاب‌ها، تمرین‌ها و خودآزمایی .

---

ℹ️ نکات مهم هنگام خرید

• این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
• تمامی فایل‌ها و کتاب‌ها کاملاً فارسی هستند.
• توجه: لینک‌های اختصاصی دوره طی ۴۸ ساعت پس از ثبت سفارش ارسال می‌شوند.
• نیازی به درج شماره موبایل نیست؛ اما برای پشتیبانی سریع‌تر توصیه می‌شود.
• در صورت بروز مشکل در دانلود با شماره 09395106248 تماس بگیرید.
• اگر پرداخت انجام شده ولی لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا پیامک: 09395106248
تلگرام: @ma_limbs