قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
تقليم الشبكة (Pruning)
طريقة تتضمن إزالة انتقائية للأوزان أو الخلايا العصبية الأقل أهمية من نموذج الانتشار، مما يخلق بنية أكثر تخلخلاً وكفاءة مع تأثير ضئيل على الأداء.
إزالة الضوضاء الموجهة بالمصنف
استراتيجية تحسين تستخدم نموذج تصنيف خارجي لتوجيه عملية إزالة الضوضاء، مما يسمح بتحقيق جودة بصرية مكافئة بعدد أقل من خطوات إزالة الضوضاء المكلفة حسابياً.
الاستدلال ذو الرتبة المنخفضة (Low-Rank)
نهج يقارب المصفوفات الوزنية الكبيرة للنموذج بمنتجات مصفوفات ذات رتبة أقل، مما يقلل بشكل كبير من عدد المعاملات وعمليات ضرب المصفوفات أثناء الاستدلال.
طريقة المسرع (Accelerate Method)
مجموعة من التقنيات تهدف إلى تسريع عملية الانتشار بتخطي الخطوات الوسيطة لإزالة الضوضاء، غالباً باستخدام نماذج الانحدار للتنبؤ مباشرة بالخطوات المستقبلية.
تحسين الذاكرة عبر نقاط تفتيش التدرج (Gradient Checkpointing)
تقنية إدارة الذاكرة تحفظ بشكل انتقائي التنشيطات الوسيطة أثناء الانتشار الخلفي، مع إعادة حسابها عند الحاجة لتبادل استخدام ذاكرة الوصول العشوائي المخفضة مقابل زيادة طفيفة في وقت الحساب.
خليط الخبراء (Mixture of Experts - MoE)
بنية نموذج حيث يتم تنشيط عدة 'خبراء' (شبكات فرعية) بشكل مشروط، مما يسمح بزيادة سعة النموذج دون زيادة متناسبة في التكاليف الحسابية لاستدلال واحد.
تقطير خطوات الزمن (Time-step Distillation)
شكل من أشكال التقطير حيث يتعلم نموذج الطالب توليد نتائج عالية الجودة باستخدام خطوات أقل لإزالة الضوضاء من النموذج المعلم، مما يسرع بشكل مباشر عملية التوليد.
إعادة المعلمة العشوائية الفعالة
تحسين عملية إضافة الضوضاء وإزالتها يستخدم معلمات معاد معلمتها لتقليل التباين وعدد العينات المطلوبة، مما يجعل كل خطوة من خطوات الانتشار أكثر استقراراً وأقل تكلفة.
ذاكرة التخزين المؤقت للميزات (Feature Caching)
استراتيجية لحفظ خرائط الميزات الوسيطة للشروط المدخلة المتكررة (مثل: النص)، مما يتجنب إعادة حسابها في كل خطوة إزالة ضوضاء ويقلل الحمل الحسابي الإجمالي.
النشر على وحدة معالجة الموتر (TPU)
تكييف بنية نماذج الانتشار للاستفادة من العمليات المصفوفية المتوازية بشكل كبير في وحدات TPU، وتحسين تدفقات البيانات ونواة الحساب للاستدلال بسرعة عالية جداً.
مقايضة الجودة والسرعة بواسطة المجدول (Scheduler)
استخدام مختلف مجدولي الضوضاء (مثل: DDIM, DPM-Solver) التي تتيح التحكم في عدد خطوات إزالة الضوضاء، مما يوفر ضبطاً دقيقاً بين جودة الصورة وسرعة التوليد.
دمج نواة الالتفاف (Convolution)
تقنية تحسين تجمع طبقات الالتفاف المتتالية (مثل: Conv + BatchNorm + ReLU) في عملية التفاف واحدة، مما يقلل زمن الوصول والوصول إلى الذاكرة على أجهزة الاستدلال.
نموذج الانتشار الكامن المتسق (Consistency Latent Diffusion)
نموذج متغير مدرب على تعيين أي نقطة على مسار الضوضاء مباشرة إلى أصل البيانات، مما يسمح بالتوليد في خطوة واحدة أو خطوات قليلة جداً، مما يحدث ثورة في الكفاءة الحسابية.
التحسين عن طريق البحث الشبكي للمعاملات الفائقة (Hyperparameters)
عملية استكشاف منهجي لتكوينات المعاملات الفائقة (مثل: معدل التعلم، عدد رؤوس الانتباه) لتحديد النموذج الأكثر أداءً من حيث نسبة الجودة/التكلفة الحسابية.
الاستدلال غير المتزامن عبر خط الأنابيب (Pipeline)
هندسة نشر حيث تتم معالجة خطوات إزالة الضوضاء بالتوازي على وحدات حوسبة مختلفة، مما يخفي زمن الوصول ويزيد معدل المعالجة لتطبيقات الانتشار في الوقت الفعلي.