اپلیکیشن اندرویدی فلش‌کارت آموزشی طراحی و استقرار مدل‌های هوش مصنوعی با معماری بهینه برای دستگاه‌های لب‌مرز و تلفن همراه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و استقرار مدل‌های هوش مصنوعی با معماری بهینه برای دستگاه‌های لب‌مرز و تلفن همراه

موضوع کلی: معماری و بهینه‌سازی سامانه‌های هوش مصنوعی

موضوع میانی: پیاده‌سازی مدل‌های کارآمد یادگیری عمیق روی سخت‌افزارهای محدود

📋 سرفصل‌های دوره

• 1. معرفی محدودیت‌های سخت‌افزاری در دستگاه‌های لب‌مرز و تلفن همراه
• 2. مقایسه معماری‌های شبکه‌های عصبی برای استقرار روی سخت‌افزار محدود
• 3. مفاهیم پایه فشرده‌سازی مدل: pruning، quantization و knowledge distillation
• 4. تکنیک‌های quantization پس از آموزش (Post-Training Quantization)
• 5. پیاده‌سازی quantization-aware training برای حفظ دقت
• 6. روش‌های pruning ساختاری و نامنظم در شبکه‌های عصبی
• 7. معرفی و کاربرد knowledge distillation برای فشرده‌سازی مدل
• 8. معماری MobileNet و نسخه‌های بهینه آن
• 9. معماری EfficientNet و مقیاس‌بندی متوازن ابعاد شبکه
• 10. معماری SqueezeNet و کاهش پارامترها با fire module
• 11. معماری ShuffleNet و عملیات گروهی و کانال‌های به هم ریخته
• 12. معماری GhostNet و تولید feature mapهای مجازی
• 13. معماری MnasNet و جستجوی معماری با هدف سخت‌افزاری
• 14. معماری TinyML و مدل‌های زیر یک مگابایت
• 15. معرفی سخت‌افزارهای شتاب‌دهنده: GPU، DSP، NPU و TPU
• 16. استفاده از OpenCL و Vulkan برای شتاب‌دهی محاسبات روی GPU
• 17. معرفی Android Neural Networks API (NNAPI) برای استقرار روی اندروید
• 18. معرفی Core ML برای استقرار روی iOS
• 19. معرفی TensorFlow Lite و فرمت مدل TFLite
• 20. معرفی PyTorch Mobile و فرمت مدل TorchScript
• 21. معرفی ONNX Runtime برای استقرار چندپلتفرمی
• 22. تبدیل مدل از PyTorch به ONNX و سپس به TFLite
• 23. ابزارهای بهینه‌سازی مدل: TensorFlow Model Optimization Toolkit
• 24. استفاده از XNNPACK برای شتاب‌دهی روی CPUهای ARM
• 25. تکنیک‌های caching و memory pooling برای کاهش حافظه
• 26. مدیریت حافظه و کاهش footprint مدل در اجرا
• 27. بهینه‌سازی لایه‌های کانولوشن با Winograd و FFT
• 28. کاهش تعداد عملیات ممیز شناور (FLOPs) در طراحی معماری
• 29. نقش depthwise separable convolution در کاهش محاسبات
• 30. طراحی بلوک‌های inverted residual و linear bottleneck
• 31. استفاده از activation functions کارآمد مانند ReLU6 و Hard-Swish
• 32. تأثیر batch normalization در آموزش و حذف آن در استقرار
• 33. تکنیک‌های input quantization و output dequantization
• 34. مدیریت دقت در inference با mixed-precision
• 35. ابزارهای profiling و اندازه‌گیری latency روی دستگاه واقعی
• 36. مفاهیم latency، throughput و energy efficiency در لب‌مرز
• 37. بهینه‌سازی pipeline اجرای مدل با multi-threading
• 38. آموزش بارگذاری و اجرای مدل TFLite در اپلیکیشن اندروید
• 39. آموزش بارگذاری و اجرای مدل Core ML در اپلیکیشن iOS
• 40. مدیریت خطا و edge cases در استقرار روی سخت‌افزار محدود
• 41. مقابله با overfitting در مدل‌های کوچک با regularisation و data augmentation
• 42. استفاده از Transfer Learning برای کاهش نیاز به داده در مدل‌های کوچک
• 43. تکنیک‌های fine-tuning مدل‌های پیش‌آموزش‌دیده برای edge
• 44. ارزیابی trade-off بین دقت، اندازه مدل و سرعت
• 45. معرفی پروژه نهایی: تشخیص پزشکی با داده‌های تصویری (مثلاً رادیوگرافی)
• 46. جمع‌آوری و پیش‌پردازش مجموعه داده پزشکی برای edge deployment
• 47. طراحی معماری سفارشی سبک برای تشخیص پزشکی
• 48. آموزش مدل با تکنیک‌های فشرده‌سازی (quantization + pruning + distillation)
• 49. بهینه‌سازی و استقرار مدل روی دستگاه تلفن همراه
• 50. ارزیابی عملکرد مدل روی دستگاه واقعی با معیارهای پزشکی (دقت، حساسیت، ویژگی)
• 51. رفع اشکال و بهبود عملکرد بر اساس نتایج profiling
• 52. خلاصه و مسیرهای پیشرفته: AutoML برای edge و معماری‌های آینده