Apprentissage profond

Un accélérateur est un outil ou une plateforme qui stimule le développement et la performance des modèles d'IA.

Une fonction d'activation détermine la sortie d'un nœud de réseau neuronal en fonction de son entrée.

Adadelta est un algorithme d'optimisation du taux d'apprentissage adaptatif pour l'entraînement de modèles d'apprentissage automatique.

L'optimiseur Adam est un algorithme d'optimisation par taux d'apprentissage adaptatif pour l'entraînement de modèles d'apprentissage automatique.

AdamW est un algorithme d'optimisation qui améliore l'entraînement des modèles d'apprentissage profond en traitant les problèmes de décroissance du poids.

Le pooling adaptatif est une technique en apprentissage profond qui ajuste la taille des caractéristiques de sortie pour répondre à des exigences spécifiques.

Albumentations est une bibliothèque Python pour l'augmentation d'images en apprentissage profond, améliorant la formation des modèles avec diverses transformations d'images.

AlphaPose est un cadre d'estimation de la pose humaine en temps réel utilisant des techniques d'apprentissage profond.

Un outil évolutif pour servir des modèles d'apprentissage automatique en environnement de production utilisant Apache MXNet.

La convolution atrous est un type de convolution qui utilise des filtres dilatés pour capturer des caractéristiques multi-échelles dans les réseaux neuronaux.

La sparsité de l'attention fait référence à la focalisation sélective des réseaux neuronaux sur des parties spécifiques des données d'entrée, améliorant ainsi l'efficacité et la performance.

AutoAugment est une technique automatisée pour améliorer les ensembles de données d'entraînement en apprentissage automatique.

Une architecture d'autoencodeur est un type de réseau neuronal utilisé pour l'apprentissage non supervisé afin d'encoder et de décoder des données.

Une technique qui accélère la formation en IA en utilisant des nombres à précision inférieure sans sacrifier la précision.

Un modèle génératif combinant des méthodes autoregressives et basées sur la diffusion pour un apprentissage flexible de la distribution des données.

La perte auxiliaire est une fonction de perte supplémentaire utilisée pour améliorer les performances du modèle lors de l'entraînement.

Le pooling moyen réduit la taille des cartes de caractéristiques en prenant la valeur moyenne des sous-régions.

La rétropropagation est un algorithme utilisé dans l'entraînement des réseaux neuronaux en ajustant les poids en fonction du retour d'erreur.

Une technique dans les réseaux neuronaux qui consiste à propager les erreurs à travers des structures complexes pour mettre à jour efficacement les poids.

Une méthode pour entraîner des réseaux neuronaux récurrents en calculant les gradients à travers les étapes temporelles.

La normalisation de lot est une technique pour améliorer la vitesse et la stabilité de l'entraînement dans les réseaux neuronaux profonds.

Une couche de normalisation de lot normalise les entrées pour stabiliser et accélérer l'entraînement en apprentissage profond.

La taille de lot fait référence au nombre d'exemples d'entraînement utilisés lors d'une itération de l'entraînement du modèle.

L'apprentissage profond bayésien combine l'apprentissage profond avec l'inférence bayésienne pour une meilleure estimation de l'incertitude dans les prédictions.

Beta-VAE est un type d'autoencodeur variationnel qui se concentre sur le désentrelacement des représentations apprises en ajustant un hyperparamètre, beta.

Un RNN bidirectionnel traite les données dans les deux sens, avant et arrière, pour une meilleure compréhension du contexte.

Un bloc de goulot d'étranglement est un composant dans les réseaux neuronaux qui réduit la dimensionnalité et améliore l'efficacité.

ByteNet est une architecture d'apprentissage profond conçue pour un traitement efficace des données et des tâches d'apprentissage automatique haute performance.