Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

AGI / Artificial General Intelligence Artificial Intelligence (AI)Attention Algorithm Autoencoder

B

BERT Boosting Bias Backpropagation Batch Normalization

C

Cross-Validation Classifier / Classification CNN / Convolutional Neural Network Chatbot Clustering

D

Deepfake Discriminative Model Data Augmentation Deep Learning Deterministic Model

E

Epoch Explainable AI (XAI)Embedding Encoder Ensemble Learning

F

Forward Propagation Foundation Model Fine-tuning Feature Extraction Fusion / Multimodal Fusion

G

GAN / Generative Adversarial Network Grounding Graph Neural Network (GNN)Gradient Descent Generative AI

H

Hierarchical Model Hallucination Heuristic Hyperparameter Hidden Layer

I

Instruction tuning Imbalanced Data Instance / Sample Intelligence Amplification / Augmentation Interpretability

J

JAX JSONL / JSON-lines Juxtaposition Jittering Joint Embedding

K

K-Shot Learning Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering Knowledge Distillation

L

LSTM / Long Short-Term Memory Large Language Model (LLM)Learning Rate Loss Function Latent Variable

M

Meta-learning Multimodal / Multimodality Multi-head Attention Model Machine Learning (ML)

N

NLU / Natural Language Understanding Novelty Detection / Anomaly Detection Normalization Neural Network NLP / Natural Language Processing

O

One-hot Encoding Optimizer Objective Function Online Learning Overfitting

P

Prompt Pooling Parameter Policy / Reinforcement Learning Policy Pretraining

Q

Q-learning Quality Estimation Query Quantization Queue / Buffer

R

RNN / Recurrent Neural Network Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization Representation Learning

S

Softmax Sampling Sequence Modeling Supervised Learning Self-Supervised Learning

T

Tokenizer Transformer Training Data Tuning / Hyperparameter Tuning Transfer Learning

U

U-Net Uncertainty Estimation Underfitting Unsupervised Learning Universal Approximation Theorem

V

Vision Transformer (ViT)Vector Embedding Vanishing / Exploding Gradient Variational Autoencoder (VAE)Validation Set

W

Weight Decay Workflow Weak Supervision Whitening / Whitening Transformation Word Embedding

X

X-axis / feature axis XLM XLNet XAI / Explainable AI XOR problem

Y

YAGNI (You Aren't Gonna Need It)Yoga of AI Y-transform / YUV Y-axis / feature axis Yield (model yield / throughput)

Z

Z-score Normalization Zygosity in augmentation Zero-centric / Zero-bias initialization Zero-gradient phenomenon Zero-shot Learning / Zero-shot inference

什麼是編碼器

「編碼器」是指將信息或數據從一種格式轉換為另一種格式的設備或程序。它主要用於計算機科學和工程領域，將原始數據轉換為更高效的存儲或傳輸格式，例如將音頻、視頻或文本數據編碼為數字格式。

編碼器的工作原理通常涉及分析輸入數據並生成相應的編碼輸出。不同類型的編碼器使用不同的算法和協議。例如，視頻編碼器可能使用 H.264、HEVC 或 VP9 等標準，而音頻編碼器可能使用 MP3、AAC 或 FLAC。此過程通常包括壓縮數據以減少文件大小，同時儘量保持原始數據的質量。

編碼器的應用非常廣泛，包括但不限於串流媒體服務（如 Netflix 或 YouTube）、視訊會議軟體（如 Zoom 或 Microsoft Teams）以及數位音頻播放（如 Spotify 或 Apple Music）。在這些場景中，編碼器確保音頻和視頻內容能夠高效傳輸並以最佳品質呈現。

隨著技術的發展，編碼器的性能和效率也在不斷提升。人工智慧和機器學習技術的應用正在推動編碼器的演進，使其能夠更智能地處理數據壓縮和格式轉換。此外，隨著 8K 視頻和高動態範圍（HDR）內容的普及，編碼器的需求和複雜性也在增加。

編碼器的主要優點是能夠有效地減少數據量，從而節省存儲空間和帶寬。然而，編碼過程可能導致一定程度的信息損失，尤其是在使用有損壓縮算法時。此外，某些編碼器可能需要較高的計算資源，導致編碼和解碼的延遲。

在選擇編碼器時，用戶應考慮其特定需求，包括所需的壓縮比、輸出質量和即時性。同時，了解不同編碼器的兼容性和標準也是至關重要的，以確保能夠在各種設備和平台上順利播放。