آموزش تکنیک‌های فشرده‌سازی مدل‌های هوش مصنوعی: ساخت AI ارزان‌تر، سریع‌تر و سبزتر - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• بهینه کردن هوش مصنوعی برای دسترسی بیشتر Making AI more efficient and accessible

• هوش مصنوعی پایدار چیست؟ What is sustainable AI?

• پیش‌نیازها و آنچه باید بدانید What you should know

1. چرا فشرده‌سازی مدل اهمیت دارد 1. Why Model Compression Matters

• تاثیرات محیط زیستی و هزینه‌ای فشرده‌سازی مدل‌های AI Environmental and cost impacts of AI model compression

• مزایای فشرده‌سازی مدل‌های هوش مصنوعی Benefits of AI model compression

• چالش‌های واقعی در مدل‌های هوش مصنوعی Real-world challenges in AI models

2. کوانتیزاسیون (Quantization) 2. Quantization

• آموزش آگاه از کوانتیزاسیون (QAT) Quantization-aware training

• کوانتیزاسیون استاتیک و دینامیک Static and dynamic quantization

• مقایسه نتایج کوانتیزاسیون Comparing quantization results

• کوانتیزاسیون چیست؟ What is quantization?

3. هرس کردن (Pruning) 3. Pruning

• هرس کردن (Pruning) چیست؟ What is pruning?

• پیاده‌سازی هرس کردن مبتنی بر لایه Implementing layer-based pruning

• تنظیم دقیق (Fine-tuning) پس از هرس کردن Fine-tuning after pruning

• مقایسه نتایج هرس کردن Pruning results comparison

4. تقطیر دانش (Knowledge Distillation) 4. Knowledge Distillation

• تقطیر دانش چیست؟ What is knowledge distillation?

• مقایسه مدل‌های شاگرد و استاد Comparing student and teacher models

• تنظیم دقیق مدل‌های شاگرد Fine-tuning student models

• تقطیر دانش در یک مدل کوچک‌تر Distilling into a smaller model

5. کاربردهای دنیای واقعی و جمع‌بندی 5. Real-World Applications and Wrap-Up

• مدل‌های فشرده در محیط عملیاتی (Production) Compressed models in production

• چارچوب تصمیم‌گیری برای فشرده‌سازی مدل Decision framework for model compression