آموزش مدل‌های هوش مصنوعی مولد و سیستم‌های GPU - آخرین آپدیت

دانلود Generative AI Models and GPU Systems

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به بررسی مبانی و تکامل سیستم‌های یادگیری عمیق مولد مدرن می‌پردازد و شما را از یادگیری بازنمایی نهفته (Latent Representation) تا معماری‌های پیشرفته انتشار (Diffusion) و استراتژی‌های استقرار مقیاس‌پذیر در GPU هدایت می‌کند. این دوره با ترکیب عمق مفهومی بالا و نمایش‌های عملی، مسیری ساختاریافته را از طریق پارادایم‌های مدل‌سازی مولد، نوآوری‌های معماری و تکنیک‌های بهینه‌سازی آماده تولید فراهم می‌کند. شما با درک خودکدگذارها (Autoencoders) و خودکدگذارهای تغییراتی (VAEs) شروع خواهید کرد و بررسی می‌کنید که شبکه‌های عصبی چگونه بازنمایی‌های نهفته فشرده و فضاهای احتمالی ساختاریافته را یاد می‌گیرند. از آنجا، به سراغ شبکه‌های مولد رقابتی (GANs) خواهید رفت و دینامیک‌های آموزش رقابتی، چالش‌های ناپایداری و بهبودهای معماری مانند DCGAN و CycleGAN را تحلیل خواهید کرد. با پیشرفت دوره، درک عمیقی از مدل‌های انتشار (Diffusion Models) شامل DDPM، سیستم‌های حذف نویز مبتنی بر U-Net، انتشار نهفته (Latent Diffusion) و تکنیک‌های تولید شرطی که قدرت‌بخش سیستم‌های مدرن متن-به-تصویر هستند، کسب خواهید کرد. سپس دوره به سمت سیستم‌های GPU و یادگیری عمیق مقیاس‌پذیر گسترش می‌یابد. شما بار کاری تشخیص و بخش‌بندی اشیا، آموزش با دقت ترکیبی (Mixed Precision)، استراتژی‌های موازی‌سازی داده‌های توزیع‌شده، موازی‌سازی مدل و استقرار آماده تولید در GPU را بررسی خواهید کرد. از طریق نمایش‌های عملی و تمرین‌های بنچمارک، خواهید دید که چگونه سیستم‌های مولد مدرن ضمن برقراری تعادل بین محدودیت‌های حافظه، محاسبات و تأخیر، به شکلی کارآمد مقیاس‌پذیر می‌شوند. در پایان این دوره، شما قادر خواهید بود: • نحوه یادگیری بازنمایی‌های نهفته ساختاریافته توسط Autoencoders و VAEs را توضیح دهید. • دینامیک‌های آموزش GAN را تحلیل کرده و مشکلات ناپایداری مانند فروپاشی مُد (Mode Collapse) را تشخیص دهید. • معماری‌های پیشرفته GAN را مقایسه کرده و توازن کیفیت خروجی را ارزیابی کنید. • اصول مدل‌های انتشار و فرآیندهای حذف نویز معکوس را درک کنید. • سیستم‌های انتشار مبتنی بر U-Net را برای تولید تصویر شرطی طراحی کنید. • انتشار مشروط به متن را با تکنیک‌های نمونه‌برداری هدایت‌شده پیاده‌سازی کنید. • استراتژی‌های آموزش با دقت ترکیبی و GPU توزیع‌شده را برای مدل‌های مقیاس بزرگ به کار ببرید. • خط لوله (Pipeline) استقرار آماده تولید برای سیستم‌های هوش مصنوعی مولد طراحی کنید. این دوره برای مهندسان هوش مصنوعی، متخصصان یادگیری ماشین، پژوهشگران و دانشجویان پیشرفته‌ای که می‌خواهند درک دقیقی از مدل‌سازی مولد فراتر از استفاده سطحی از API داشته باشند، ایده‌آل است. داشتن دانش پایه در پایتون، جبر خطی و شبکه‌های عصبی مفید خواهد بود.

سرفصل ها و درس ها

یادگیری بازنمایی مولد Generative Representation Learning

  • معرفی تخصص Specialization Introduction

  • معرفی دوره Course Introduction

  • خودکدگذار و خودکدگذار تغییراتی (VAE) Autoencoder and Variational Autoencoder

  • نمایش عملی: تجسم فضای نهفته: آموزش مدل Demonstration: Latent Space Visualization: Model Training

  • نمایش عملی: تجسم فضای نهفته: تحلیل نهفته Demonstration: Latent Space Visualization: Latent Analysis

  • نمایش عملی: شباهت در فضای نهفته: کدگذاری نهفته Demonstration: Similarity in Latent Space: Latent Encoding

  • نمایش عملی: شباهت در فضای نهفته: تحلیل بازیابی Demonstration: Similarity in Latent Space: Retrieval Analysis

  • مبانی شبکه‌های مولد رقابتی (GAN) Generative Adversarial Networks GAN Fundamentals

  • نمایش عملی: حلقه آموزش GAN: تنظیمات و طراحی مولد Demonstration: GAN Training Loop: Setup and Generator Design

  • نمایش عملی: حلقه آموزش GAN: تنظیمات و طراحی مولد Demonstration: GAN Training Loop: Setup and Generator Design

  • نمایش عملی: حلقه آموزش GAN: تشخیص‌دهنده و تنظیمات آموزش Demonstration: GAN Training Loop: Discriminator and Training Setup

  • نمایش عملی: حلقه آموزش GAN: آموزش رقابتی و نتایج Demonstration: GAN Training Loop: Adversarial Training and Results

  • نمایش عملی: تحلیل فروپاشی مُد: تنظیم مدل و آموزش Demonstration : Mode Collapse Analysis : Model Setup and Training

  • نمایش عملی: تحلیل فروپاشی مُد: تحلیل تنوع Demonstration : Mode Collapse Analysis : Diversity Analysis

  • انواع DCGAN و CycleGAN DCGAN and CycleGAN Variants

  • نمایش عملی: مقایسه معماری: تنظیمات و ابزارها Demonstration: Architecture Comparison: Setup and Utilities

  • نمایش عملی: مقایسه معماری: طراحی DCGAN و CycleGAN Demonstration: Architecture Comparison: DCGAN anc CycleGAN Design

  • نمایش عملی: مقایسه معماری: مقایسه و تجسم مدل‌ها Demonstration: Architecture Comparison: Model Comparison and Visualization

  • نمایش عملی: ارزیابی کیفیت خروجی: معماری‌های مدل Demonstration: Output Quality Evaluation:Model Architectures

  • نمایش عملی: ارزیابی کیفیت خروجی: آموزش مدل و معیارها Demonstration: Output Quality Evaluation: Model Training and Metrics

  • نمایش عملی: ارزیابی کیفیت خروجی: مقایسه کیفیت Demonstration: Output Quality Evaluation: Quality Comparison

تولید مبتنی بر انتشار و جریان Diffusion and Flow-Based Generation

  • فرآیند انتشار DDPM DDPM Diffusion Process

  • نمایش عملی: تکنیک‌های زمان‌بندی نویز: طراحی زمان‌بندی Demonstration: Noise Scheduling Techniques: Schedule Design

  • نمایش عملی: تکنیک‌های زمان‌بندی نویز: تحلیل انتشار Demonstration: Noise Scheduling Techniques: Diffusion Analysis

  • نمایش عملی: مراحل انتشار معکوس: تنظیمات آموزش Demonstration: Reverse Diffusion Steps: Training Setup

  • نمایش عملی: مراحل انتشار معکوس: فرآیند نمونه‌برداری Demonstration: Reverse Diffusion Steps: Sampling Process

  • نمایش عملی: مراحل انتشار معکوس: تحلیل خروجی Demonstration: Reverse Diffusion Steps: Output Analysis

  • طراحی U-Net برای انتشار U Net Design for Diffusion

  • نمایش عملی: اتصالات میان‌بر در U-Net: اصول معماری Demonstration: Skip Connections in U Net: Architecture Basics

  • نمایش عملی: اتصالات میان‌بر در U-Net: پیاده‌سازی و آموزش Demonstration: Skip Connections in U Net: Implementation and Training

  • نمایش عملی: اتصالات میان‌بر در U-Net: مقایسه نتایج Demonstration: Skip Connections in U Net: Results Comparison

  • نمایش عملی: مقایسه کیفیت نمونه‌برداری: تنظیمات Demonstration: Sampling Quality Comparison: Setup

  • نمایش عملی: مقایسه کیفیت نمونه‌برداری: ارزیابی Demonstration: Sampling Quality Comparison: Evaluation

  • مدل‌های انتشار نهفته (Latent Diffusion) Latent Diffusion Models

  • نمایش عملی: تولید تصویر شرطی: تنظیمات انتشار Demonstration: Conditional Image Generation: Diffusion Setup

  • نمایش عملی: تولید تصویر شرطی: نمونه‌برداری و کنترل Demonstration: Conditional Image Generation: Sampling and Control

  • نمایش عملی: انتشار مشروط به متن: کدگذاری Demonstration: Text Conditioned Diffusion: Encoding

  • نمایش عملی: انتشار مشروط به متن: شرطی‌سازی Demonstration: Text Conditioned Diffusion: Conditioning

  • نمایش عملی: انتشار مشروط به متن: آموزش Demonstration: Text Conditioned Diffusion: Training

  • نمایش عملی: انتشار مشروط به متن: هدایت (Guidance) Demonstration: Text Conditioned Diffusion: Guidance

سیستم‌های GPU و یادگیری عمیق مقیاس‌پذیر GPU Systems and Scalable Deep Learning

  • معماری GPU و محاسبات موازی برای هوش مصنوعی GPU Architecture and Parallel Computing for AI

  • نمایش عملی: درک هسته‌های CUDA و بلوک‌های رشته: مبانی Demonstration: Understanding CUDA Cores and Thread Blocks: Fundamentals

  • نمایش عملی: درک هسته‌های CUDA و بلوک‌های رشته: موازی‌سازی و حافظه Demonstration: Understanding CUDA Cores and Thread Blocks: Parallelism and Memory

  • نمایش عملی: پروفایل‌بندی بهره‌وری GPU و گلوگاه‌های حافظه: مقیاس‌پذیری Demonstration: Profiling GPU Utilization and Memory Bottlenecks: Scaling

  • نمایش عملی: پروفایل‌بندی بهره‌وری GPU و گلوگاه‌های حافظه: شناسایی گلوگاه Demonstration: Profiling GPU Utilization and Memory Bottlenecks: Bottleneck Profiling

  • استراتژی‌های آموزش با دقت ترکیبی و چند GPU Mixed Precision and Multi-GPU Training Strategies

  • نمایش عملی: پیاده‌سازی آموزش با دقت ترکیبی: حافظه Demonstration: Implementing Mixed Precision Training: Memory

  • نمایش عملی: پیاده‌سازی آموزش با دقت ترکیبی: تنظیمات آموزش Demonstration: Implementing Mixed Precision Training: Training Setup

  • نمایش عملی: پیاده‌سازی آموزش با دقت ترکیبی: AMP Demonstration: Implementing Mixed Precision Training: AMP

  • نمایش عملی: تنظیمات آموزش موازی داده‌های توزیع‌شده: محیط و آماده‌سازی داده‌ها Demonstration: Distributed Data Parallel Training Setup: Environment and Data Preparation

  • نمایش عملی: تنظیمات آموزش موازی داده‌های توزیع‌شده: آموزش DDP و مقیاس‌پذیری Demonstration: Distributed Data Parallel Training Setup: DDP Training and Scaling

  • موازی‌سازی مدل و بهینه‌سازی استنتاج مبتنی بر GPU Model Parallelism and GPU-Based Inference Optimization

  • نمایش عملی: بنچمارک عملکرد CPU در مقابل GPU: بنچمارک بار کاری Demonstration: CPU vs GPU Performance Benchmarking: Workload Benchmarking

  • نمایش عملی: بنچمارک عملکرد CPU در مقابل GPU: آموزش عصبی Demonstration: CPU vs GPU Performance Benchmarking: Neural Training

  • نمایش عملی: مانیتورینگ و بهینه‌سازی حافظه GPU: ردیابی حافظه Demonstration: GPU Memory Monitoring and Optimizing: Memory Tracking

  • نمایش عملی: مانیتورینگ و بهینه‌سازی حافظه GPU: تکنیک بهینه‌سازی Demonstration: GPU Memory Monitoring and Optimizing: Optimization Technique

جمع‌بندی دوره Course Wrap-Up

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش مدل‌های هوش مصنوعی مولد و سیستم‌های GPU
جزییات دوره
13h 16m
57
(آخرین آپدیت)
91
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده