Analiza la cuantización y técnicas relacionadas para una inferencia neuronal eficiente.
Estudia cuantización de redes neuronales, cuantización con tamaño de paso aprendido, eficiencia de inferencia y técnicas más amplias para LLM. Distingue los compromisos de representación y cómputo de los efectos reales del hardware, compara métodos de compresión y diseña controles de calidad y latencia específicos para cada tarea. Los vídeos en inglés se acompañan de orientación analítica original, no de transcripciones copiadas.
Explicar cómo una precisión numérica menor puede cambiar almacenamiento, operaciones y calidad de predicción. Comparar cuantización con poda, destilación y adaptación de bajo rango según qué modifica cada método. Diseñar una evaluación de inferencia comprimida consciente del hardware que informe calidad, latencia, memoria y supuestos de despliegue.
Se recomienda experiencia con redes neuronales y evaluación de modelos. Ayuda conocer precisión numérica, inferencia y medidas básicas de hardware; no se exige un acelerador ni marco concreto.
Personas con experiencia que quieren profundizar y aplicar habilidades avanzadas de IA
Quienes aprenden mejor con ejemplos, lecciones guiadas y práctica
Profesionales, creadores y desarrolladores independientes que buscan un flujo de trabajo repetible
La lección 1 es gratis
4 lecciones · Avanzado · Curso completo.
Este curso utiliza material con licencia CC BY atribuido a su proveedor de contenido o a quien lo publicó. La reproducción de las lecciones solo está disponible tras iniciar sesión y superar las comprobaciones de publicación y licencia.