آموزش بهینه‌سازی سرعت و دقت استنتاج هوش مصنوعی (AI Inference) - آخرین آپدیت

مبانی: پروفایلینگ و شناسایی گلوگاه‌های استنتاج Foundations: Profiling and Understanding Inference Bottlenecks

• مقدمه دوره: بهینه‌سازی سرعت و دقت استنتاج AI Course Intro: Optimize AI Inference Speed & Accuracy

• درک گلوگاه‌های استنتاج Understanding Inference Bottlenecks

• کار با ابزارهای پروفایلینگ Profiling Tools in Action

• ارزیابی عملکرد استنتاج ML در محیط عملیاتی Evaluating ML Inference Performance in Production

هرس کردن مدل (Pruning): کاهش پیچیدگی بدون از دست دادن قدرت Model Pruning: Reducing Complexity Without Losing Power

• تئوری و تکنیک‌های هرس کردن (Pruning) Pruning Theory and Techniques

• پیاده‌سازی Pruning در PyTorch Implementing Pruning in PyTorch

• استراتژی‌های بازتنظیم (Fine-tuning) و بازیابی Fine-tuning and Recovery Strategies

کوانتیزاسیون و استقرار امن: تلاقی سرعت و امنیت Quantization and Secure Deployment: Speed Meets Security

• مبانی کوانتیزاسیون (Quantization) Quantization Fundamentals

• پیاده‌سازی گردش‌کارهای کوانتیزاسیون Implementing Quantization Workflows

• بنچ‌مارکینگ: مقایسه Pruning در مقابل Quantization Benchmarking: Pruning vs Quantization

• تسلط نهایی بر بهینه‌سازی Your Optimization Mastery