دوره بهینه‌سازی اجرای مدل‌های DL بر روی GPU همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی اجرای مدل‌های DL بر روی GPU

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 2. مروری بر معماری‌های اصلی شبکه‌های عصبی
• 3. مفهوم Tensor و عملیات پایه
• 4. آشنایی با سخت‌افزار GPU و تفاوت آن با CPU
• 5. مقدمه‌ای بر محاسبات موازی
• 6. مفهوم حافظه سلسله‌مراتبی (Memory Hierarchy) در CPU و GPU
• 7. نقش GPU در سرعت‌بخشیدن به آموزش و استنتاج مدل‌های DL
• 8. معرفی ابزارهای اصلی برای برنامه‌نویسی GPU (CUDA/OpenCL)
• 9. معرفی فریم‌ورک‌های یادگیری عمیق (PyTorch, TensorFlow)
• 10. چالش‌های بهینه‌سازی مدل‌های DL بر روی GPU
• 11. جزئیات معماری داخلی GPU (SMs, Cores)
• 12. مفهوم Warp و Thread در GPU
• 13. مدل برنامه‌نویسی CUDA: هاست (Host) و دیوایس (Device)
• 14. ساختار سلسله‌مراتبی Threadها (Grid, Block, Thread)
• 15. نحوه نگارش اولین کرنل (Kernel) CUDA
• 16. انتقال داده بین CPU و GPU (cudaMemcpy)
• 17. مدیریت حافظه در CUDA (cudaMalloc, cudaFree)
• 18. مفهوم کرنل و فراخوانی آن
• 19. همگام‌سازی (Synchronization) در CUDA (cudaDeviceSynchronize, __syncthreads)
• 20. کنترل خطا و دیباگینگ در برنامه‌های CUDA
• 21. انواع حافظه در GPU: سراسری (Global), مشترک (Shared), محلی (Local)
• 22. حافظه ثابت (Constant Memory) و حافظه بافت (Texture Memory)
• 23. بهینه‌سازی دسترسی به حافظه سراسری (Memory Coalescing)
• 24. استفاده بهینه از حافظه مشترک (Shared Memory) برای کاهش دسترسی به Global Memory
• 25. تکنیک‌های کاهش Bank Conflict در Shared Memory
• 26. مدیریت حافظه مجازی و Unified Memory در CUDA
• 27. استفاده از حافظه‌های Pin-Memory (Page-locked Host Memory)
• 28. انتقال ناهم‌زمان داده (Asynchronous Data Transfer) با Streamها
• 29. مفهوم رویدادها (Events) برای زمان‌بندی و همگام‌سازی در Streamها
• 30. تاثیر پهنای باند حافظه (Memory Bandwidth) بر عملکرد
• 31. بهینه‌سازی استفاده از رجیسترها و جلوگیری از Register Spill
• 32. پنهان‌سازی تاخیر (Latency Hiding) با افزایش Occupancy
• 33. مفهوم و تاثیر Warp Divergence بر عملکرد
• 34. تکنیک‌های کاهش Warp Divergence
• 35. عملیات اتمیک (Atomic Operations) و کاربرد آنها
• 36. پیاده‌سازی عملیات Reduction بر روی GPU
• 37. پیاده‌سازی Parallel Prefix Sum (Scan)
• 38. بهینه‌سازی Matrix Multiplication (GEMM) با CUDA
• 39. استفاده از __CUDA_ARCH__ برای کدنویسی ویژه معماری
• 40. دستورالعمل‌های Intrinsics برای بهینه‌سازی‌های سطح پایین
• 41. استفاده از Dynamic Parallelism (Kernels launching Kernels)
• 42. تکنیک‌های Loop Unrolling و Software Pipelining
• 43. بهینه‌سازی دسترسی به داده (Data Locality)
• 44. استفاده از شتاب‌دهنده‌های سخت‌افزاری (Tensor Cores در NVIDIA GPUs)
• 45. بررسی تاثیر Cache L1/L2 بر عملکرد Kernel
• 46. آشنایی با نحوه استفاده فریم‌ورک‌ها از GPU
• 47. مدل‌سازی Tensorها در PyTorch و TensorFlow برای GPU
• 48. مفهوم گراف محاسباتی (Computational Graph) و اجرای آن بر روی GPU
• 49. مشتق‌گیری خودکار (Autograd) و نقش آن در بهینه‌سازی GPU
• 50. استفاده از API فریم‌ورک‌ها برای عملیات GPU (e.g., .to('cuda'), tf.device('/GPU:0'))
• 51. معرفی CuDNN و CuBLAS: کتابخانه‌های بهینه‌شده برای DL بر روی GPU
• 52. تفاوت بین نسخه‌های مختلف CUDA/CuDNN و تاثیر آن
• 53. پیاده‌سازی کرنل‌های CUDA سفارشی (Custom CUDA Kernels) در PyTorch
• 54. پیاده‌سازی کرنل‌های CUDA سفارشی در TensorFlow
• 55. مدیریت حافظه GPU توسط فریم‌ورک‌ها
• 56. بهینه‌سازی عملیات I/O و پیش‌پردازش داده برای GPU
• 57. استفاده از Dataloaders موازی برای تغذیه سریع‌تر GPU
• 58. استراتژی‌های بهینه‌سازی حافظه در فریم‌ورک‌ها
• 59. بررسی مصرف حافظه GPU توسط لایه‌های مختلف مدل
• 60. ابزارهای پروفایلینگ حافظه در فریم‌ورک‌ها (e.g., PyTorch Memory Profiler)
• 61. معرفی ابزارهای پروفایلینگ GPU (NVIDIA Nsight Systems, Nsight Compute)
• 62. تحلیل خروجی پروفایلر برای شناسایی گلوگاه‌ها
• 63. تفکیک زمان مصرفی بین CPU و GPU
• 64. شناسایی عملیات‌های با Latency بالا
• 65. بررسی میزان استفاده از GPU (GPU Utilization)
• 66. تحلیل پهنای باند حافظه و ترافیک داده
• 67. شناسایی Bottleneckهای ناشی از Warp Divergence و Bank Conflict
• 68. استفاده از ابزارهای پروفایلینگ فریم‌ورک‌ها (e.g., PyTorch Profiler, TensorFlow Profiler)
• 69. تجزیه و تحلیل ردیابی (Trace Analysis) برای درک جریان اجرایی
• 70. تکنیک‌های بنچمارکینگ (Benchmarking) دقیق و قابل تکرار
• 71. آموزش با دقت مخلوط (Mixed Precision Training) با FP16 و BFloat16
• 72. استفاده از Automatic Mixed Precision (AMP) در PyTorch و TensorFlow
• 73. مزایا و چالش‌های Mixed Precision
• 74. مفهوم Loss Scaling در Mixed Precision
• 75. بهینه‌سازی حجم بچ (Batch Size) برای GPU
• 76. تجمع گرادیان (Gradient Accumulation) برای شبیه‌سازی بچ‌های بزرگتر
• 77. بارگذاری داده پویا (Dynamic Batching) برای افزایش استفاده از GPU
• 78. تاثیر بهینه‌سازها (Optimizers) و زمان‌بند نرخ یادگیری (Learning Rate Schedulers) بر سرعت همگرایی
• 79. استفاده از Dataloaders با قابلیت پیش‌واکشی (Prefetching)
• 80. تکنیک‌های کاهش مصرف حافظه در آموزش (e.g., Gradient Checkpointing)
• 81. مقدمه‌ای بر آموزش توزیع‌شده (Distributed Training)
• 82. Data Parallelism: روش اصلی آموزش بر روی چند GPU
• 83. مفهوم All-Reduce و نقش آن در Data Parallelism
• 84. پیاده‌سازی DistributedDataParallel در PyTorch
• 85. پیاده‌سازی MirroredStrategy/MultiWorkerMirroredStrategy در TensorFlow
• 86. Pipe-line Parallelism برای مدل‌های بزرگ
• 87. Tensor Parallelism برای لایه‌های بزرگ
• 88. ترکیب Data و Model Parallelism
• 89. ارتباطات بین GPUها (NVLink, PCIe)
• 90. بهینه‌سازی ارتباطات شبکه برای Multi-GPU Training
• 91. بهینه‌سازی استنتاج (Inference Optimization)
• 92. کوانتیزاسیون (Quantization) مدل برای کاهش حجم و افزایش سرعت
• 93. کوانتیزاسیون پس از آموزش (Post-Training Quantization - PTQ)
• 94. کوانتیزاسیون در حین آموزش (Quantization-Aware Training - QAT)
• 95. معرفی NVIDIA TensorRT برای بهینه‌سازی استنتاج
• 96. استفاده از ONNX و ONNX Runtime برای استنتاج Cross-Platform
• 97. کامپایلرهای JIT (Just-In-Time) مانند TorchScript و XLA
• 98. Fusion کرنل و Graph Optimization برای افزایش کارایی
• 99. استراتژی‌های سرو مدل‌های DL (Model Serving) با تاخیر کم و throughput بالا
• 100. ملاحظات اخلاقی و پایداری در محاسبات با کارایی بالا (High-Performance Computing)