اکسپرس 24
کتاب بهینه‌سازی سطح کامپایلر برای فریم‌ورک‌های یادگیری عمیق

کتاب بهینه‌سازی سطح کامپایلر برای فریم‌ورک‌های یادگیری عمیق

تگ‌ها: Auto-tuning Compiler Optimization Deep Learning Frameworks Graph IR Hardware Acceleration Kernel Generation Memory Planning Mixed Precision MLIR Model Deployment Operator Fusion Performance Portability Quantization TVM XLA

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی سطح کامپایلر برای فریم‌ورک‌های یادگیری عمیق

موضوع کلی: معماری و سازماندهی کامپیوتر

موضوع میانی: بهینه‌سازی مدل‌های یادگیری عمیق

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر فریم‌ورک‌های یادگیری عمیق و نیاز به بهینه‌سازی کامپایلری
  • 2. مفاهیم پایه کامپایلر: لکسینگ، پارسینگ، نمایش میانی (IR)
  • 3. معماری گراف محاسباتی در فریم‌ورک‌ها (TensorFlow، PyTorch، ONNX)
  • 4. تبدیل مدل‌های سطح بالا به گراف IR واحد
  • 5. استنتاج شکل (Shape Inference) و تایپ‌چکینگ در IR
  • 6. ساده‌سازی گراف: ثابت‌سازی (Constant Folding) و حذف کد مرده
  • 7. ادغام عملگرها (Operator Fusion) برای کاهش حافظه و افزایش سرعت
  • 8. تغییر چیدمان داده (Data Layout Transformation) برای بهینه‌سازی دسترسی حافظه
  • 9. برنامه‌ریزی حافظه و تخصیص بافر (Memory Planning & Buffer Allocation)
  • 10. کوانتیزیشن: مفاهیم، kvantization-aware training و post-training quantization
  • 11. کالیبراسیون و تحلیل اثرات دقت در کوانتیزیشن
  • 12. تولید کرنل (Kernel Generation) برای CPU، GPU، TPU و NPU
  • 13. استفاده از Tensor Cores و واحدهای محاسبه تخصصی
  • 14. برنامه‌ریزی حلقه‌ها: تایلینگ (Loop Tiling)، انباشت (Unrolling) و برداری‌سازی (Vectorization)
  • 15. موازی‌سازی در سطح نخ، بلوک و دستگاه (Thread/Block/Device Parallelism)
  • 16. مدیریت دقت ترکیبی (Mixed Precision) و مقیاس‌دهی پویا
  • 17. بهینه‌سازی کنترل جریان (Control Flow Optimization) در گراف‌های پویا
  • 18. تفاوت و تعامل اتودیف (Autodiff) با بهینه‌سازی‌های کامپایلری
  • 19. پروفایلینگ و بنچمارکینگ مدل‌های بهینه‌شده
  • 20. مدل‌سازی هزینه (Cost Model) برای جستجوی فضای بهینه‌سازی
  • 21. خزانه‌های جستجو: AutoTVM، Ansor، AutoScheduler
  • 22. بهینه‌سازی برای حافظه پنهان (Cache Blocking) و باند حافظه
  • 23. استفاده از خلأ (Sparsity) و هرس (Pruning) در سطح کامپایلر
  • 24. تقطیر دانش (Knowledge Distillation) و یکپارچه‌سازی با پایپ‌لاین کامپایل
  • 25. پشتیبانی از شکل‌های پویا (Dynamic Shapes) و ابعاد نمادین
  • 26. مدیریت عملگرهای سفارشی (Custom Operators) و کتابخانه‌های کرنل
  • 27. ترجمه پیش‌ازاجرا (AOT) در برابر کامپایل در لحظه (JIT)
  • 28. استقرار مدل: سریال‌سازی، فرمت‌های اجرایی (ONNX Runtime، TensorRT، TVM Runtime)
  • 29. بخش‌بندی مدل برای اجرا چند دستگاهی (Model Partitioning)
  • 30. بهینه‌سازی ارتباطات: All-Reduce، Pipeline Parallelism، Tensor Parallelism
  • 31. پایپ‌لاین بهینه‌سازی (Optimization Pass Pipeline) و ترتیب پاس‌ها
  • 32. معرفی MLIR:Dialects، Pass Infrastructure، و یکپارچه‌سازی با فریم‌ورک‌ها
  • 33. کار با TVM: Relay IR، Target Definition، و AutoTVM
  • 34. کار با XLA: HLO، fusión، و backend‌های سخت‌افزاری
  • 35. کار با Glow: IR، Backend، و بهینه‌سازی‌های اختصاصی
  • 36. استفاده از ONNX به عنوان فرمت میانجی برای کامپایلرها
  • 37. تست و تأیید صحت (Verification) تبدیل‌های کامپایلری
  • 38. دیباگ کردن پاس‌های کامپایلر و ابزارهای تحلیل IR
  • 39. CI/CD برای توسعه کامپایلر یادگیری عمیق
  • 40. معماری‌های سخت‌افزاری نوین: RISC-V Vector، AI Accelerators، Neuromorphic
  • 41. پرتابلیت عملکرد (Performance Portability) در کامپایلرها
  • 42. بهینه‌سازی برای استنتاج لبه (Edge Inference) و محدودیت‌های انرژی
  • 43. مقدمه‌ای بر کامپایلرهای احتمالی (Probabilistic Compilers) و یادگیری تقویتی برای بهینه‌سازی
  • 44. روندهای آینده: Compilation as a Service، Federated Compilation، و Quantum‑aware Compilation

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.