کتاب راهکارهای نوین در کاهش حجم و افزایش سرعت مدل‌های هوش مصنوعی با استفاده از ONNX و Quantization با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای نوین در کاهش حجم و افزایش سرعت مدل‌های هوش مصنوعی با استفاده از ONNX و Quantization

موضوع کلی: هوش مصنوعی و یادگیری ماشین (AI & Machine Learning)

موضوع میانی: بهینه‌سازی و استقرار مدل‌های زبانی بزرگ (LLM Optimization & Deployment)

📋 سرفصل‌های دوره

• 1. آشنایی با معماری مدل‌های ترنسفورمر و مدل T5
• 2. بررسی چالش‌های استقرار مدل‌های حجیم در محیط‌های عملیاتی
• 3. مقدمه‌ای بر فرمت ONNX و نقش آن در پلتفرم‌های متنوع
• 4. آماده‌سازی محیط توسعه و کتابخانه‌های مورد نیاز
• 5. بارگذاری مدل‌های T5 و بررسی ساختار گراف محاسباتی
• 6. تحلیل پارامترهای مدل و شناسایی لایه‌های قابل بهینه‌سازی
• 7. مفاهیم پایه کوانتایزیشن و کاهش دقت اعداد در یادگیری ماشین
• 8. تفاوت کوانتایزیشن پس از آموزش و آموزش آگاه از کوانتایزیشن
• 9. بررسی کوانتایزیشن ۸ بیتی و تأثیر آن بر دقت مدل
• 10. پیاده‌سازی فرآیند تبدیل مدل به فرمت ONNX
• 11. استفاده از کتابخانه Optimum برای ساده‌سازی فرآیند تبدیل
• 12. بهینه‌سازی گراف محاسباتی در مدل‌های ONNX
• 13. مدیریت حافظه در زمان اجرای مدل‌های کوانتایز شده
• 14. ارزیابی دقت مدل پس از تبدیل و کوانتایزیشن
• 15. تست عملکرد و سنجش سرعت استنتاج در محیط‌های مختلف
• 16. معرفی MLflow برای مدیریت چرخه حیات مدل‌های هوش مصنوعی
• 17. ثبت و نسخه‌بندی مدل‌های بهینه‌سازی شده با MLflow
• 18. استقرار مدل‌های ONNX در محیط‌های عملیاتی
• 19. مانیتورینگ عملکرد مدل در محیط تولید
• 20. راهکارهای افزایش بهره‌وری در استقرار مدل‌های هوش مصنوعی
• 21. امنیت در استقرار مدل‌های هوش مصنوعی و حفاظت از زیرساخت
• 22. مدیریت منابع سخت‌افزاری برای مدل‌های بهینه‌شده
• 23. تجزیه و تحلیل خروجی‌های مدل در سیستم‌های توزیع‌شده
• 24. بهینه‌سازی مصرف انرژی در استنتاج مدل‌های هوش مصنوعی
• 25. استفاده از شتاب‌دهنده‌های سخت‌افزاری در مدل‌های ONNX
• 26. بررسی خطاهای رایج در فرآیند کوانتایزیشن و راهکارهای رفع آن
• 27. یکپارچه‌سازی مدل‌های بهینه‌شده با سرویس‌های بک‌اند
• 28. مستندسازی مدل‌های تولیدی مطابق با استانداردهای فنی
• 29. آینده‌نگری در کاهش حجم مدل‌های زبانی در چارچوب حاکمیت داده‌ها