فلش‌کارت‌های آموزشی پیشرفته تولید تصویر عصبی با تکنیک‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیشرفته تولید تصویر عصبی با تکنیک‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی

موضوع میانی: تولید تصویر عصبی (Neural Image Synthesis)

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی کانولوشنی (CNN)
• 2. ساخت وFunctionality لای‌های کانولوشنی و פולینگ
• 3. آموزش rückpropagation در شبکه‌های عمیق
• 4. نوर्मالیزاسیون و مقداردهی اولیه وزن‌ها
• 5. استفاده از Batch Normalization و Layer Normalization
• 6. مفهوم pérdida و توابع هزینه درGenerative Models
• 7. معرفی خودکودرها (Autoencoders) و Variational Autoencoders (VAE)
• 8. آموزش VAE برای تولید تصویر
• 9. معرفی Generative Adversarial Networks (GAN)
• 10. معماری Generator و Discriminator در GAN
• 11. loss functions در GAN: minimax, Wasserstein, hinge
• 12. تکنیک‌های安定سازی GAN: Gradient Penalty, Spectral Normalization
• 13. Progressive Growing of GANs (ProGAN)
• 14. StyleGAN و StyleGAN2: معماری و modulation
• 15. قشر条件 GAN (cGAN) برای تولید تصویرconditional
• 16. GAN‌های مبتنی بر Attention: Self‑Attention GAN
• 17. آموزش GAN با تقنيات متا‑یادگیری (Meta‑Learning)
• 18. معرفی مدل‌های خود regresive (PixelRNN, PixelCNN)
• 19. آموزش modelos autoregressive برایynthesizing تصویر
• 20. ترکیب autoregressive و attentional mechanisms (Transformer‑based image synthesis)
• 21. مقدمه به نماذج الانتشار (Diffusion Models)
• 22. فرآیند مستقیم و معکوس انتشار در DDPM
• 23. آموزش مدل‌های диффузии با توزیع شوم
• 24. Latent Diffusion Models (LDM) و استفاده از فضای laten
• 25. conditioning در diffusion models: text‑guidance از طریق CLIP
• 26. استخراج و استفاده از Embeddingهای متنی برای تولید تصویر
• 27. مدل‌های intégré: VQ‑VAE و VQ‑GAN
• 28. آموزش VQ‑VAE برای cuantización latent пространства
• 29. ترکیب VQ‑VAE با Transformers برای synthesizing تصویر (VQGAN‑Transformer)
• 30. تکنیک super‑resolution با استفاده از GANs
• 31. آموزش مدل‌های super‑resolution مبتنی بر diffusion
• 32. Inpainting و outpainting با استفاده از مدل‌های generative
• 33. تحرير تصویر مبتنی بر text‑guided diffusion (Stable Diffusion)
• 34. آموزش مدل‌های text‑to‑image با استفاده از معلم‌های CLIP
• 35. تولید ویدیو با استفاده از مدل‌های generative temporal (Video GAN, Video Diffusion)
• 36. syntèsis de video basado en modelos de difusión latente
• 37. تولید سه بعدی (3D) با استفاده از voxel‑GAN و occupancy fields
• 38. Neural Radiance Fields (NeRF) و ارتباط با sintetizaciya de imagenes
• 39. آموزش مدل‌های generative برای sintetizaciya de escenas dinámicas
• 40. معیارهای ارزیابی کیفیت تصویر: IS, FID, KID, LPIPS, Precision‑Recall
• 41. تکنیک‌های بهینه‌سازیloss برای بهبود معیارهای ارزیابی
• 42. آموزش مدل‌ها با استفاده از استراتژی‌های mixed precision
• 43. توزیع آموزش بر روی چندین GPU: Data Parallel و Model Parallel
• 44. بهینه‌سازی مصرف حافظه با gradient checkpointing
• 45. استفاده از کتابخانه‌های PyTorch Lightning و TensorFlow Keras برای آموزش سریع
• 46. اشکال‌زدایی و مانیتورینگ آموزش با TensorBoard و Weights & Biases
• 47. استراتژی‌های جمع‌آوری و پیش‌پروسסینگ دیتاست برای sintetizaciya de imagenes
• 48. افزایش داده‌ها با تبدیلات هندسية و photometric
• 49. استفاده از دیتاست‌های بزرگ: LAION, ImageNet, COCO, etc.
• 50. نظارت بر torsions étiques: bias, deepfakes, مال استفاده
• 51. راهنمای verantwortungsvoller Einsatz از generativen Modellen
• 52. استخراج و استفاده از مدل‌های previamente entrenados (pretrained weights) از Hugging Face
• 53. Fine‑tuning مدل‌های عمومی برای کاربردهای خاص (domain adaptation)
• 54. ترکیب مدل‌های generative با سیستم‌های рекомендаční
• 55. تولید تصاویر با کنترل سبک (style control) از طریق AdaIN
• 56. تکنیک‌های کنترل latent space: interpolation, navigation, disentanglement
• 57. آموزش مدل‌های generative برای تولید تصاویر با محدودیت‌هایsemantic (semantic guidance)
• 58. استفاده از segmentação semântica sebagai condição برای GANs/Diffusion
• 59. syntèsis imagénes de alta resolución با معماری‌هایpiramid
• 60. توزیع inferencing برای تولید زمان واقعی (real‑time) روی GPU و TPU
• 61. بهینه‌سازی مدل برای deployment با TensorRT و ONNX Runtime
• 62. ساخت API برای تولید تصویر با استفاده از FastAPI یا Flask
• 63. کار با وب‑demos: Gradio و Hugging Face Spaces
• 64. تولید تصاویر با محدودیت حافظه‑کم (low‑memory) برای دستگاه‌های موبایل
• 65. استفاده از quantization و pruning برای کاهش حجم مدل
• 66. ارزیابی سرعت و latency در تولید تصویر
• 67. test robustness در برابر perturbation‌های عدوآل
• 68. به‌روزرسانی مدل‌ها با آموزش پیوسته (continual learning) بدون فراموش‌سازی
• 69. ترکیب مدل‌های generative با سیستم‌های AR و VR
• 70. آیندهynthesizing تصویر: مشاهدات و پژوهش‌های پیش‌رو