کتاب Deep Learning with C++

کتاب Deep Learning with C++: Design and deploy neural networks using CUDA for high-performance AI in C++ (یادگیری عمیق با ++C: طراحی و استقرار شبکه‌های عصبی با استفاده از CUDA برای هوش مصنوعی با کارایی بالا در ++C) نوشته‌ی بیل چن و ویکاش گوپتا، یک راهنمای عملی برای مهندسان یادگیری ماشین و توسعه‌دهندگانی است که می‌خواهند سیستم‌های یادگیری عمیق با کارایی بالا را با استفاده از زبان ++C پیاده‌سازی کنند 

در ادامه مقدمه‌ای از کتاب Deep Learning with C++ را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Deep Learning with C++:

در ادامه ترجمهٔ فارسی متن مورد نظر شما آورده شده است:

یادگیری عمیق به یکی از مهم‌ترین فناوری‌ها در سیستم‌های نرم‌افزاری مدرن تبدیل شده است و برنامه‌هایی در حوزه‌های بینایی رایانه، گفتار، زبان، سیستم‌های توصیه‌گر، مراقبت‌های بهداشتی، امور مالی، رباتیک و تصمیم‌گیری بلادرنگ را قدرت می‌بخشد. در حالی که بیشتر گردش‌های کاری یادگیری عمیق با پایتون معرفی می‌شوند، بسیاری از محیط‌های تولیدی نهایتاً به سرعت، کنترل و کارایی در سطح سیستم نیاز دارند که ++C فراهم می‌کند.

کتاب Deep Learning with C++ نشان می‌دهد که چگونه می‌توان این شکاف را پر کرد. این کتاب برای مهندسان یادگیری ماشین، متخصصان یادگیری عمیق، مهندسان نرم‌افزار و دانشمندان داده‌ای که گرایش فنی دارند و می‌خواهند بدانند سیستم‌های یادگیری عمیق چگونه در ++C ساخته، آموزش داده، بهینه‌سازی، مستقر و پایش می‌شوند، نوشته شده است.

در سراسر کتاب Deep Learning with C++، از راه‌اندازی یک محیط یادگیری عمیق ++C و آماده‌سازی داده‌ها گرفته تا ساخت معماری‌های اصلی عصبی مانند پرسپترون‌های چندلایه، شبکه‌های کانولوشن، شبکه‌های بازگشتی، مدل‌های مولد و سیستم‌های مبتنی بر ترنسفورمر پیش خواهید رفت و در نهایت به استقرار، اشکال‌زدایی، پایش و تفسیر مدل‌های تولیدی در محیط‌های حساس به عملکرد خواهید رسید.

++C همچنان یکی از قوی‌ترین زبان‌ها برای برنامه‌های یادگیری عمیق با کارایی بالا باقی مانده است، زیرا کنترل دقیقی بر حافظه، هم‌روندی، منابع CPU و GPU و رفتار زمان اجرا ارائه می‌دهد. این موضوع زمانی اهمیت پیدا می‌کند که به استنتاج با تأخیر کم، ارائهٔ کارآمد مدل، بهینه‌سازی آگاه از سخت‌افزار یا استقرار روی سیستم‌های محدود نیاز داشته باشید. با این حال، برای بسیاری از متخصصان، حرکت از آزمایش‌های مبتنی بر پایتون به پیاده‌سازی ++C می‌تواند مانند عبور از شکافی با تعداد بسیار کم راهنماهای عملی باشد. این کتاب برای پر کردن این شکاف، با ترکیب مفاهیم یادگیری عمیق و الگوهای پیاده‌سازی عملی در ++C مدرن طراحی شده است.

ما با ایجاد پایه‌هایی که برای کار مؤثر به آنها نیاز دارید، شروع می‌کنیم. ابتدا مفاهیم کلیدی یادگیری عمیق را مرور کرده و یک محیط قابل استفادهٔ ++C برای توسعهٔ مدل راه‌اندازی می‌کنید. از آنجا، یاد می‌گیرید که چگونه داده‌ها را به طور کارآمد آماده و پیش‌پردازش کنید و چگونه از CUDA برای شتاب‌دهی به آموزش و استنتاج روی GPUها استفاده کنید. هدف این فصل‌های اولیه، دادن هم پایهٔ مفهومی و هم ابزارهای لازم برای کار جدی یادگیری عمیق در ++C به شما است.

پس از برپایی محیط و مبانی، کتاب به ساخت و آموزش مدل می‌پردازد. با یک شبکهٔ عصبی پایه شروع می‌کنید تا گذر پیشرو، پس‌انتشار، بهینه‌سازی و ارزیابی را در ++C درک کنید. سپس این ایده‌ها را به پرسپترون‌های چندلایه، شبکه‌های عصبی کانولوشن برای وظایف تصویری، و معماری‌های بازگشتی مانند شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های حافظهٔ کوتاه‌مدت بلندمدت (LSTM) در ++C برای داده‌های ترتیبی بسط می‌دهید. سپس کتاب به مدل‌سازی مولد گسترش می‌یابد و خودرمزگذارها، شبکه‌های مولد تخاصمی (GAN) و مفاهیم اصلی مدل‌های زبانی بزرگ را پوشش می‌دهد، پیش از آن که به آموزش توزیع‌شده، اجرای چند GPU، موازی‌سازی و راهبردهای فشرده‌سازی مدل مانند کمّی‌سازی (Quantization) و هرس کردن (Pruning) بپردازد.

بخش پایانی کتاب Deep Learning with C++ بر آنچه پس از کارکرد مدل در محیط توسعه رخ می‌دهد، تمرکز دارد. یاد می‌گیرید که چگونه مدل‌ها را برای استنتاج با فرمت‌هایی مانند TorchScript و ONNX آماده کنید، آنها را در محیط‌های ابری، درون‌سازمانی یا لبه مستقر کنید، و برای عملکرد در دنیای واقعی بهینه‌سازی نمایید. از آنجا، کتاب به اشکال‌زدایی خرابی‌های محیط تولید، بازآموزی مدل‌ها با تغییر داده‌ها، پایش سیستم‌های زنده و بهبود شفافیت با تکنیک‌های تفسیرپذیری مانند LIME، SHAP و Grad-CAM می‌پردازد. در پایان، دیدگاهی عملی از چرخهٔ حیات کامل یادگیری عمیق در ++C، از پیاده‌سازی تا قابلیت اطمینان عملیاتی، خواهید داشت.

کتاب Deep Learning with C++ عمداً عملی است. به جای اینکه با ++C صرفاً به عنوان یک نحوه‌ی نگارش جایگزین برای یادگیری ماشین رفتار کند، با ++C به عنوان یک محیط مهندسی جدی برای ساخت سیستم‌های یادگیری عمیق قابل استقرار برخورد می‌کند. در طول مسیر، خواهید دید که چگونه نگرانی‌های عملکرد، انتخاب‌های طراحی نرم‌افزار، محدودیت‌های استقرار و ملاحظات قابلیت مشاهده، نحوهٔ ساخت سیستم‌های هوش مصنوعی تولیدی را شکل می‌دهند. هدف من نه تنها کمک به درک شما از چگونگی عملکرد یادگیری عمیق در ++C، بلکه کمک به نوشتن سیستم‌هایی است که سریع، مقاوم و مناسب برای استفادهٔ واقعی باشند.

در نوشتن کتاب Deep Learning with C++، می‌خواستم دو دنیایی را که بسیاری از متخصصان به طور جداگانه تجربه می‌کنند، گرد هم آورم: دنیای تئوری و آزمایش یادگیری عمیق، و دنیای مهندسی سیستم‌های درجهٔ تولید. ++C در تقاطع این دو جهان قرار دارد. این زبان به ما امکان می‌دهد فراتر از نمونه‌های اولیه رفته و به پیاده‌سازی‌های قابل اعتماد و کارآمدی دست یابیم که می‌توانند در مقیاس به برنامه‌های کاربردی سخت‌گیرانه خدمت کنند. امید من این است که این کتاب به شما کمک کند تا در این گذار اعتماد به نفس پیدا کنید و پایه‌ای عملی برای ساخت سیستم‌های یادگیری عمیق مدرن در ++C به دست آورید.

کتاب Deep Learning with C++ برای چه کسانی است

این کتاب برای مهندسان یادگیری ماشین، مهندسان یادگیری عمیق، مهندسان نرم‌افزار و دانشمندان داده‌ای است که می‌خواهند سیستم‌های یادگیری عمیق با کارایی بالا را در ++C بسازند. این کتاب به ویژه برای خوانندگانی مفید است که از قبل با مبانی یادگیری ماشین و شبکه‌های عصبی آشنایی دارند و اکنون می‌خواهند به سمت پیاده‌سازی، بهینه‌سازی و استقرار در سطح تولید حرکت کنند.

شما باید با مفاهیم اصلی برنامه‌نویسی ++C مانند کلاس‌ها، مدیریت حافظه و هم‌روندی پایه آسایش داشته باشید. درک پایه تا متوسط از مفاهیم یادگیری ماشین و یادگیری عمیق، از جمله شبکه‌های عصبی، حلقه‌های آموزش و معماری‌های رایج مدل، به شما کمک می‌کند بیشترین بهره را از این کتاب ببرید. آشنایی با فریم‌ورک‌هایی مانند PyTorch یا TensorFlow مفید است، اما تجربه قبلی با APIهای پایتون آنها کافی است؛ کتاب Deep Learning with C++ به شما کمک می‌کند آن تجربه را به گردش‌های کاری ++C ترجمه کنید.

اگر شما یک متخصص هستید که ابتدا با پایتون کار می‌کنید و می‌خواهید بدانید سیستم‌های یادگیری عمیق چگونه در یک محیط سطح‌پایین‌تر و حساس به عملکرد پیاده‌سازی می‌شوند، کتاب Deep Learning with C++ به شما در انجام این گذار کمک می‌کند. اگر شما یک توسعه‌دهندهٔ ++C هستید که می‌خواهید پیشینهٔ سیستمی خود را برای بارهای کاری مدرن هوش مصنوعی به کار بگیرید، این کتاب مسیری ساختاریافته به سوی یادگیری عمیق به شما می‌دهد. و اگر روی برنامه‌های بلادرنگ یا دارای محدودیت منابع کار می‌کنید که در آنها تأخیر، توان عملیاتی و کارایی اهمیت دارد، این کتاب با در نظر گرفتن آن محدودیت‌ها نوشته شده است.

آنچه کتاب Deep Learning with C++ پوشش می‌دهد

فصل ۱، مقدمه‌ای بر یادگیری عمیق با ++C و راه‌اندازی محیط: مفاهیم اصلی یادگیری عمیق را معرفی می‌کند، توضیح می‌دهد چرا ++C برای بارهای کاری هوش مصنوعی عملکردی ارزشمند است، و راه‌اندازی یک محیط عملی یادگیری عمیق ++C را گام به گام توضیح می‌دهد.

فصل ۲ کتاب Deep Learning with C++، آماده‌سازی و پیش‌پردازش داده در ++C: جنبهٔ خط لوله داده در یادگیری عمیق، از جمله نرمال‌سازی، افزایش داده، بارگذاری کارآمد، مدیریت آگاه از حافظه برای مجموعه داده‌های بزرگ و بارگذارهای مجموعه دادهٔ سفارشی در ++C را پوشش می‌دهد.

فصل ۳، CUDA برای شتاب‌دهی GPU در یادگیری عمیق با ++C: CUDA را معرفی کرده و نشان می‌دهد که چگونه از شتاب‌دهی GPU برای سرعت بخشیدن به آموزش و استنتاج، بهینه‌سازی مسیرهای کد حساس به عملکرد و تحلیل تنگناها استفاده کنید.

فصل ۴ کتاب Deep Learning with C++، ساخت یک شبکهٔ عصبی پایه در ++C: پیاده‌سازی یک شبکهٔ عصبی ساده، شامل نرون‌ها، توابع فعال‌سازی، انتشار پیشرو، محاسبهٔ تابع هزینه، پس‌انتشار و بهینه‌سازی مبتنی بر گرادیان را گام به گام توضیح می‌دهد.

فصل ۵ کتاب Deep Learning with C++، پرسپترون‌های چندلایه در ++C: به شبکه‌های پیشخور عمیق‌تر گسترش می‌یابد و نشان می‌دهد چگونه لایه‌های پنهان اضافه کنید، از Dropout و نرمال‌سازی دسته‌ای استفاده کنید، فراپارامترها را تنظیم کنید و عملکرد را در وظایف عملی ارزیابی نمایید.

فصل ۶، شبکه‌های عصبی کانولوشن در ++C: داده‌های مبتنی بر تصویر را معرفی می‌کند و نشان می‌دهد چگونه می‌توان از شبکه‌های عصبی برای طبقه‌بندی تصاویر، قطعه‌بندی تصاویر، همراه با تکنیک‌های مختلف پیش‌پردازش و افزایش داده استفاده کرد.

فصل ۷، شبکه‌های عصبی بازگشتی و شبکه‌های حافظهٔ کوتاه‌مدت بلندمدت (LSTM) در ++C: به داده‌های ترتیبی به ویژه داده‌های متنی می‌پردازد، مبانی ریاضی، الگوریتم‌های آموزش (BPTT)، پیاده‌سازی‌های عملی در ++C، تکنیک‌های پردازش متن، تعبیه‌های کلمات و برنامه‌های کاربردی در دنیای واقعی در پیش‌بینی متن و ترجمهٔ ماشینی عصبی را پوشش می‌دهد.

فصل ۸ کتاب Deep Learning with C++، شبکه‌های مولد، خودرمزگذارها و مدل‌های زبانی بزرگ در ++C: معماری‌های بنیادی هوش مصنوعی مولد و GANها را به همراه اصول تولید متن خودرگرسیو، راهبردهای نمونه‌برداری و معیارهای ارزیابی جامع برای سنجش عملکرد مدل‌های مولد پوشش می‌دهد.

فصل ۹ کتاب Deep Learning with C++، ترنسفورمرها و تنظیم دقیق مدل‌های زبانی بزرگ در ++C: معماری ترنسفورمر و اجزای آن، پیاده‌سازی‌های رمزگذار-رمزگشا و در نهایت راهبردهای آموزش توزیع‌شده و فشرده‌سازی مدل را بررسی می‌کند.

فصل ۱۰، استقرار و بهینه‌سازی مدل‌ها برای استنتاج: توضیح می‌دهد که چگونه مدل‌ها را برای استقرار صادر کنید، آنها را در محیط‌های تولید ارائه دهید، عملکرد استنتاج را بهینه کنید و APIهای استنتاج بلادرنگ در ++C بسازید.

فصل ۱۱، اشکال‌زدایی و بازآموزی مدل‌های مستقرشده: نشان می‌دهد که چگونه کاهش عملکرد را تشخیص دهید، تغییرات مدل (Model Drift) را شناسایی و به آن پاسخ دهید، لاگ‌گیری و گردش‌های کاری اشکال‌زدایی را بهبود بخشید و راهبردهای بازآموزی عملی بسازید.

فصل ۱۲، پایش مدل‌های مستقرشده: بر قابلیت مشاهده در تولید، از جمله ردیابی تأخیر، دقت و استفاده از منابع، راه‌اندازی سیستم‌های لاگ‌گیری و حفظ کیفیت مدل در طول زمان تمرکز دارد.

فصل ۱۳، تفسیرپذیری و شفافیت در مدل‌های یادگیری عمیق: تکنیک‌های عملی تفسیرپذیری مانند LIME، SHAP و Grad-CAM را معرفی کرده و بحث می‌کند که چگونه تفسیرپذیری از استقرارهای ایمن‌تر و قابل اعتمادتر پشتیبانی می‌کند.

سرفصل‌های کتاب Deep Learning with C++:

• Cover
• Title Page
• Contributors
• Preface
• Part 1: Foundations of Deep Learning in C++
  • Chapter 1: Introduction to Deep Learning with C++ and Environment Setup
  • Chapter 2: Data Preparation and Preprocessing in C++
  • Chapter 3: CUDA for GPU Acceleration in Deep Learning with C++
• Part 2: Building and Training Neural Networks in C++
  • Chapter 4: Building a Basic Neural Network in C++
  • Chapter 5: Multilayer Perceptron’s in C++
  • Chapter 6: Convolutional Neural Networks in C++
  • Chapter 7: Recurrent Neural Networks and Long Short-Term Memory Networks in C++
  • Chapter 8: Generative Networks, Autoencoders, and Large Language Models in C++
  • Chapter 9: Transformers and Large Language Model Fine-Tuning in C++
• Part 3: Deploying, Monitoring, and Explaining Deep Learning Systems in Production
  • Chapter 10: Deploying and Optimizing Models for Inference
  • Chapter 11: Debugging and Retraining Deployed Models
  • Chapter 12: Monitoring Deployed Models
  • Chapter 13: Explainability and Transparency in Deep Learning Models
  • Chapter 14: Unlock Your Exclusive Benefits
• Other Books You May Enjoy
• Index

جهت دانلود کتاب Deep Learning with C++ می‌توانید پس از پرداخت، دریافت کنید.