دانشگاه MIT یه کتاب رایگان داده بیرون دربارهی مبانی (Deep Learning) که پر از نکتهست
توش همه چی هست: از ریاضیات DL گرفته تا روشهای آموزش مدل، شبکههای CNN، شبکههای گرافی (GNN) و حتی ترنسفورمرها!
هم تئوری داره، هم کد، هم اسلاید
یعنی هر چی لازمه یه مهندس هوش مصنوعی واقعی شی.
🔗 لینک دانلود
📥 فایل PDF
#Deep_Learning #LLM #LLMS #CNN #GNN
منبع : PythonAi
دوستانتون رو به کانال ما دعوت کنید
#آریاسل
🌐 @ariacell 📡
توش همه چی هست: از ریاضیات DL گرفته تا روشهای آموزش مدل، شبکههای CNN، شبکههای گرافی (GNN) و حتی ترنسفورمرها!
هم تئوری داره، هم کد، هم اسلاید
یعنی هر چی لازمه یه مهندس هوش مصنوعی واقعی شی.
🔗 لینک دانلود
📥 فایل PDF
#Deep_Learning #LLM #LLMS #CNN #GNN
منبع : PythonAi
دوستانتون رو به کانال ما دعوت کنید
#آریاسل
🌐 @ariacell 📡
❤4👏2
دانشگاه استنفورد و تیم Andrew ng به تازگی دوره دیپ لرنینگ دانشگاه استنفورد رو دوباره برگزار میکنند و همراه با جلسات حضوری، ویدیوهای کلاس درس رو هر هفته در پلی لیست زیر آپلود میکنند، از دست ندید!
🔗: لینک پلی لیست دوره
#Deep_Learning #LLM #LLMS #CNN #GNN
منبع : PythonAi
دوستانتون رو به کانال ما دعوت کنید
#آریاسل
🌐 @ariacell 📡
🔗: لینک پلی لیست دوره
#Deep_Learning #LLM #LLMS #CNN #GNN
منبع : PythonAi
دوستانتون رو به کانال ما دعوت کنید
#آریاسل
🌐 @ariacell 📡
❤2
اگر بین انتخاب llama.cpp و vLLM برای اجرای لوکال مدلها شک دارید، این مقایسه خیلی کوتاه و کاربردی تکلیف را روشن میکند.
اصلیترین تفاوتشان در هدف و محیط اجرا است:
۱. ابزار llama.cpp برای اجرا روی سیستمهای شخصی، CPU و دیوایسهای کممصرف عالی است. با فشردگی وزنها (Quantization) و فرمت GGUF اجازه میدهد مدلهای بزرگ را حتی روی لپتاپ یا رزبری پای اجرا کنید. ابزارهایی مثل Ollama هم از همین موتور استفاده میکنند.
۲. ابزار vLLM برای محیطهای سروری و پروداکشن ساخته شده. با تکنیکهایی مثل PagedAttention برای مدیریت KV cache و بچینگ پیوسته (Continuous Batching)، سرعت سرویسدهی به چندین کاربر همزمان را به شدت بالا میبرد.
نکته خوب این است که هر دو ابزار APIهای سازگار با الگوی OpenAI ارائه میدهند، بنابراین تعویض آنها در کد RAG یا ایجنتها بسیار ساده است.
🔗 Youtube
#LLMS #API
منبع :#PythonAi
دوستانتون رو به کانال ما دعوت کنید
#برای_ایران 🖤
#آریاسل
🌐 @ariacell 📡
اصلیترین تفاوتشان در هدف و محیط اجرا است:
۱. ابزار llama.cpp برای اجرا روی سیستمهای شخصی، CPU و دیوایسهای کممصرف عالی است. با فشردگی وزنها (Quantization) و فرمت GGUF اجازه میدهد مدلهای بزرگ را حتی روی لپتاپ یا رزبری پای اجرا کنید. ابزارهایی مثل Ollama هم از همین موتور استفاده میکنند.
۲. ابزار vLLM برای محیطهای سروری و پروداکشن ساخته شده. با تکنیکهایی مثل PagedAttention برای مدیریت KV cache و بچینگ پیوسته (Continuous Batching)، سرعت سرویسدهی به چندین کاربر همزمان را به شدت بالا میبرد.
نکته خوب این است که هر دو ابزار APIهای سازگار با الگوی OpenAI ارائه میدهند، بنابراین تعویض آنها در کد RAG یا ایجنتها بسیار ساده است.
🔗 Youtube
#LLMS #API
منبع :#PythonAi
دوستانتون رو به کانال ما دعوت کنید
#برای_ایران 🖤
#آریاسل
🌐 @ariacell 📡