فلش‌کارت‌های آموزشی جامع بهینه‌سازی مصرف حافظه برای مدل‌های یادگیری ماشین کوچک (TinyML)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع بهینه‌سازی مصرف حافظه برای مدل‌های یادگیری ماشین کوچک (TinyML)

موضوع کلی: سیستم‌های تعبیه‌شده و هوش مصنوعی

موضوع میانی: بهینه‌سازی حافظه و مدل‌های TinyML

📋 سرفصل‌های دوره

• 1. مبانی و اهمیت مدیریت حافظه در سیستم‌های میکروکنترلر و TinyML
• 2. محدودیت‌های سخت‌افزاری رم، فلش و پردازنده در لبه شبکه (Edge)
• 3. تحلیل و پروفایل‌سازی مصرف حافظه مدل‌های یادگیری ماشین پیش از استقرار
• 4. آشنایی با فرمت‌ها و ساختارهای داده فشرده در پردازش‌های لبه‌ای
• 5. مقدمه‌ای بر تکنیک‌های فشرده‌سازی و کوانتیزاسیون مدل (Quantization)
• 6. کوانتیزاسیون پسا‌آموزش (Post-Training Quantization) از نوع 32 به 8 بیت
• 7. کوانتیزاسیون آگاه از آموزش (Quantization-Aware Training - QAT) برای حفظ دقت
• 8. روش‌های هرس کردن شبکه (Pruning) و حذف وزن‌های غیرضروری مدل
• 9. فشرده‌سازی لایه‌ها و کاهش ابعاد ماتریس‌ها در شبکه‌های عصبی عمیق
• 10. بهینه‌سازی تخصیص حافظه استاتیک و دینامیک در زمان اجرا (Runtime)
• 11. مدیریت پشته و حافظه هیپ (Heap & Stack) در اجرای مدل‌های میکروکنترلر
• 12. استفاده از کتابخانه TensorFlow Lite for Microcontrollers و اصول آن
• 13. بهینه‌سازی تنسورها و اشتراک‌گذاری حافظه میان لایه‌های شبکه
• 14. کاهش ردپای حافظه با استفاده از معماری‌های سبک‌وزن (MobileNet و SqueezeNet)
• 15. پیاده‌سازی سفارشی لایه‌ها برای کاهش سربار حافظه در سخت‌افزارهای محدود
• 16. تکنیک‌های فشرده‌سازی کد و کدهای اجرایی برای تراشه‌های کم‌مصرف
• 17. بررسی ابزارهای پروفایل‌سازی حافظه و عیب‌یابی در میکروکنترلرها
• 18. مدیریت مصرف انرژی همزمان با بهینه‌سازی حافظه در دستگاه‌های باتری‌خور
• 19. تست، اعتبارسنجی و ارزیابی دقت مدل پس از بهینه‌سازی‌های سخت‌افزاری
• 20. پروژه عملی: پیاده‌سازی و بهینه‌سازی یک مدل تشخیص صدا یا تصویر روی یک میکروکنترلر واقعی