تطوير البرمجيات
التعلم العميق باستخدام Python وPyTorch
برنامج موجّه للمهندسين الذين يحتاجون إلى تدريب الشبكات العصبية لا إلى استدعاء واجهة مستضافة. يغطي المصفوفات والاشتقاق التلقائي وبنى nn.Module المخصصة وحلقة التدريب وبصمات إخفاقها والتنظيم والتحسين والتعلم بالنقل في الرؤية والنص والدقة المختلطة والتصدير إلى بيئة تشغيل خدمية.
نظرة عامة
تعلم عملي قابل للتطبيق في بيئة العمل.
تتعثر مشاريع التعلم العميق عادةً عند النقطة نفسها: تتحول الخسارة إلى NaN، أو ينفصل منحنى التحقق عن التدريب بعد حقبتين، أو يبقى المعالج الرسومي خاملاً بينما يجوّعه محمّل البيانات، أو يتعذر تصدير نموذج حقق نتيجة جيدة في الدفتر إلى بيئة الخدمة. ليست هذه مشكلات بحثية بل مشكلات هندسية ذات بصمات معروفة. يعلّم هذا البرنامج قراءتها. وانطلاقاً من رسم الحساب وما يسجّله الاشتقاق التلقائي فعلياً، يتناول تهيئة الأوزان وجداول معدل التعلم والتطبيع الدفعي والإسقاط وقص التدرجات، والتحليل الأدائي الذي يكشف ما إذا كان الاختناق في الحوسبة أم الذاكرة أم مسار الإدخال. ويُعرَض التعلم بالنقل في الرؤية والنص بوصفه المسار الواقعي للفرق التي لا تملك مجموعات مصنفة كبيرة.
المتطلبات المسبقة
مهارات قوية في Python وخبرة سابقة في التعلم الموجّه وإلمام برموز الجبر الخطي.
الأهداف
- التعامل مع المصفوفات واستيعاب الاشتقاق التلقائي والتدرجات ورسم الحساب.
- بناء بنى مخصصة عبر nn.Module ودوال الخسارة والمُحسِّنات.
- كتابة شيفرة Dataset وDataLoader فعّالة تُبقي المسرّع مشغولاً.
- تشخيص تفجّر الخسارة والإفراط في الملاءمة وتوقف التدريب من بصماتها.
- الضبط الدقيق لنماذج رؤية ولغة مدرّبة مسبقاً على مجموعة مصنفة محدودة.
- تصدير النموذج المدرّب إلى TorchScript أو ONNX وقياس زمن الاستدلال.
الفئة المستهدفة
- مهندسو تعلم الآلة الذين ينقلون النموذج من النموذج الأولي إلى الخدمة
- علماء البيانات ذوو الخبرة في scikit-learn والمنتقلون إلى الشبكات العصبية
- مهندسو الرؤية الحاسوبية العاملون على الفحص أو السلامة أو التصوير
- ممارسو معالجة اللغة الطبيعية الذين يضبطون نماذج transformer على نصوص متخصصة
- مهندسو البحث والتطوير والمحاكاة الذين يستبدلون نماذج مكلفة ببدائل متعلَّمة
- مهندسو المنصات المسؤولون عن أحمال المعالجات الرسومية وتكلفة الاستدلال
محاور البرنامج
هيكل واضح لرحلة التعلم.
محاور البرنامج
تظهر محاور البرنامج في صندوق واحد بدلاً من تحويل كل سطر إلى وحدة منفصلة.
الوحدة 1: المصفوفات والاشتقاق التلقائي ورسم الحساب
إنشاء المصفوفات وأنواعها وتوزيعها على الأجهزة والبث والعمليات الموضعية
requires_grad وbackward وما يحتفظ به الرسم بين التكرارات
torch.no_grad وdetach وتسريبات الذاكرة الناتجة عن الاحتفاظ بمراجع الرسم
التحقق اليدوي من تدرجات عملية مخصصة قبل التدريب عليها
الوحدة 2: بناء النماذج باستخدام nn.Module
الطبقات والمعاملات والذواكر المؤقتة وعقد دالة forward
الكتل الكثيفة والالتفافية والتكرارية وكتل الانتباه ومجال تطبيق كل منها
مخططات تهيئة الأوزان وأثرها في استقرار التدريب المبكر
اختيار دالة خسارة تتوافق مع المهمة ومع ترميز التصنيفات
الوحدة 3: تحميل البيانات وحلقة التدريب
أصناف Dataset المخصصة والتحويلات ومسارات التوسيع
عمّال DataLoader وpin_memory والجلب المسبق وتشخيص تجويع الإدخال
الحلقة المعيارية: zero_grad وforward والخسارة وbackward وstep والتقييم
حفظ نقاط التوقف والاستئناف وتثبيت البذور وجعل التشغيل قابلاً للتكرار
الوحدة 4: التحسين والتنظيم وتصحيح التدريب
SGD مع الزخم وAdam وAdamW ومقارنتها من حيث سلوك التقارب
أدوات إيجاد معدل التعلم والإحماء وجداول جيب التمام والجداول المتدرجة
الإسقاط وتناقص الأوزان والتطبيع الدفعي والطبقي والإيقاف المبكر
تفسير خسارة NaN وتلاشي التدرجات وانفجارها والقص الصحيح
الوحدة 5: التعلم بالنقل في الرؤية والنص
التجميد وفك التجميد الجزئي ومعدلات التعلم المتمايزة حسب الطبقة
الضبط الدقيق لنماذج torchvision للتصنيف والكشف والتقسيم
تكييف نماذج transformer من Hugging Face مع النصوص المتخصصة والمدونات العربية
الضبط الدقيق الموفر للمعاملات عبر LoRA وطبقات المحوّل
الوحدة 6: الأداء والتصدير والتشغيل الخدمي
الدقة المختلطة عبر autocast وGradScaler وتراكم التدرجات
التحليل الأدائي عبر torch.profiler للفصل بين اختناقات الحوسبة والذاكرة والإدخال والإخراج
التدريب على معالجات رسومية متعددة عبر DistributedDataParallel ومزالقه
التصدير عبر TorchScript وONNX والتكميم وقياس زمن الاستجابة
المواد المقدمة
- دليل الدورة وأمثلة شيفرة موثّقة وملاحظات مرجعية
- بيئة معملية عملية ومستودعات بداية جاهزة
- تمارين وقوائم تحقق وقوالب شيفرة قابلة لإعادة الاستخدام
- شهادة إتمام من 4D
- دعم فني بعد انتهاء البرنامج
خيارات التدريب
يمكن تقديم البرامج داخل مقر المؤسسة، أو عن بُعد، أو بصيغة مدمجة بحسب جدول الفريق وموقعه وأهداف التعلم. عندما يتضمن البرنامج شهادة أو اختباراً من جهة خارجية، تبقى قواعد الشهادة ورسومها خاضعة لسياسات الجهة المانحة، بينما تقدم 4D التدريب ودعم التحضير.
لماذا البعد الرابع
تعايِر 4D هذا البرنامج على العتاد المتوفر لديكم فعلياً. يقيس المدربون في اليوم الأول أداء معالجكم الرسومي أو مثيلكم السحابي، ويحددون البنية واستراتيجية الدفعات ضمن هذه الميزانية، ويعملون على صوركم أو آثار مستشعراتكم أو نصوصكم العربية والإنجليزية بدل مجموعة قياس عامة. وتُنتج الجلسة الختامية نموذجاً مصدَّراً بزمن استجابة مقيس ومسار إعادة تدريب موثّق.
دورات ذات صلة
أساسيات البرمجة بلغة Python
مقدمة عملية إلى Python للمهندسين والمحللين الذين يحتاجون شيفرة تعمل فعلاً لا مقتطفات تعليمية. يكتسب المشاركون طلاقة في أنواع البيانات والمجموعات والدوال والملفات ومعالجة الأخطاء، ثم يبنون برنامجاً صغيراً يقرأ بيانات حقيقية وينتج تقريراً قابلاً للاستخدام.
View coursePython المتوسط وممارسات الشيفرة النظيفة
برنامج موجّه للمطورين الذين تعمل شيفرة Python لديهم لكن يصعب تغييرها. يغطي dataclasses والمولّدات والمزخرفات ومديري السياق وتلميحات الأنواع، ثم يطبّق خطوات إعادة الهيكلة التي تحوّل وحدة من تسعمئة سطر إلى وحدات صغيرة مختبَرة تحرسها أدوات black وruff وmypy.
View courseأتمتة المهام المكتبية والبرمجة النصية بلغة Python
برنامج موجّه للفرق التي تهدر ساعات أسبوعية في أعمال متكررة على الملفات والجداول والتقارير. يقوم المشاركون بأتمتة هذه المهام باستخدام Python: معالجة الملفات دفعياً وجداول Excel وCSV واستدعاء واجهات REST وتنبيهات البريد والمهام المجدولة التي تعمل دون إشراف وتبلّغ بوضوح عند الفشل.
View course