TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector4D data0-shot learning9-layer network3D convolution
A
AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithmArtificial Intelligence (AI)
B
BackpropagationBERTBoostingBatch NormalizationBias
C
ChatbotClusteringCNN / Convolutional Neural NetworkCross-ValidationClassifier / Classification
D
Deep LearningDeepfakeDiscriminative ModelDeterministic ModelData Augmentation
E
EmbeddingEncoderEpochEnsemble LearningExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionForward PropagationFoundation ModelFeature Extraction
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGraph Neural Network (GNN)Generative AI
H
HyperparameterHeuristicHidden LayerHierarchical ModelHallucination
I
Imbalanced DataInterpretabilityInstruction tuningInstance / SampleIntelligence Amplification / Augmentation
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
KL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel TrickKnowledge Distillation
L
Latent VariableLoss FunctionLSTM / Long Short-Term MemoryLarge Language Model (LLM)Learning Rate
M
Multimodal / MultimodalityMachine Learning (ML)Meta-learningModelMulti-head Attention
N
NormalizationNeural NetworkNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNovelty Detection / Anomaly Detection
O
Objective FunctionOnline LearningOne-hot EncodingOverfittingOptimizer
P
Policy / Reinforcement Learning PolicyPoolingPretrainingPromptParameter
Q
Queue / BufferQuantizationQ-learningQueryQuality Estimation
R
Retrieval Augmented Generation (RAG)Representation LearningReinforcement Learning (RL)RegularizationRNN / Recurrent Neural Network
S
Supervised LearningSelf-Supervised LearningSequence ModelingSamplingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Universal Approximation TheoremUnsupervised LearningU-NetUnderfittingUncertainty Estimation
V
Variational Autoencoder (VAE)Vector EmbeddingVanishing / Exploding GradientValidation SetVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Z-score NormalizationZero-gradient phenomenonZero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZygosity in augmentation

CNN / Mạng Nơ-ron Tích Chập là gì

Mạng Nơ-ron Tích Chập (CNN) là một loại mô hình học sâu đặc biệt hiệu quả trong việc nhận diện và xử lý hình ảnh. Ý tưởng cơ bản là mô phỏng cách thức hoạt động của hệ thống thị giác con người bằng cách trích xuất dần dần các đặc trưng của hình ảnh thông qua nhiều lớp tích chập. CNN lần đầu tiên được giới thiệu bởi Yann LeCun vào những năm 1980 và đã thu hút sự chú ý đáng kể sau thành công của nó trong cuộc thi ImageNet năm 2012, điều này đã thúc đẩy đáng kể nghiên cứu và ứng dụng học sâu.


CNN thường bao gồm một lớp đầu vào, nhiều lớp tích chập, lớp giảm kích thước, lớp kết nối đầy đủ và lớp đầu ra. Các lớp tích chập trích xuất các đặc trưng cục bộ thông qua các phép toán tích chập, trong khi các lớp giảm kích thước làm giảm kích thước của các đặc trưng, giảm độ phức tạp tính toán và giữ lại thông tin quan trọng. Sau nhiều lần tích chập và giảm kích thước, các đặc trưng cuối cùng được ánh xạ đến nhãn đầu ra thông qua các lớp kết nối đầy đủ.


CNN được ứng dụng rộng rãi trong các tác vụ thị giác máy tính như phân loại hình ảnh, phát hiện đối tượng và phân đoạn hình ảnh. Ví dụ, mô hình Inception của Google và Mask R-CNN của Facebook là những ứng dụng thành công dựa trên CNN. Ứng dụng của chúng cũng ngày càng phổ biến trong phân tích hình ảnh y tế, lái xe tự động và giám sát video.


Với sự bùng nổ của dữ liệu và sự cải thiện về khả năng tính toán, các lĩnh vực ứng dụng của CNN sẽ tiếp tục mở rộng. Sự phát triển của các công nghệ mới như tính toán biên, thực tế tăng cường và thực tế ảo cũng sẽ thúc đẩy thêm những đổi mới trong CNN. Ngoài ra, việc kết hợp CNN với Mạng Đối Kháng Sinh (GAN) có thể dẫn đến những đột phá mới trong các mô hình sinh sản.


Mặc dù CNN cho thấy hiệu suất xuất sắc trong việc xử lý dữ liệu hình ảnh, nhưng chúng cũng có một số hạn chế như yêu cầu về tập dữ liệu lớn và tiêu tốn nhiều tài nguyên tính toán. Hơn nữa, vấn đề giải thích của mô hình vẫn là một chủ đề nghiên cứu quan trọng. Khi sử dụng CNN, việc tiền xử lý dữ liệu một cách đầy đủ là rất cần thiết để cải thiện độ chính xác của mô hình.