Glossary

0-9

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

A

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

B

Backpropagation BERT Boosting Batch Normalization Bias

C

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

D

Deep Learning Deepfake Discriminative Model Deterministic Model Data Augmentation

E

Embedding Encoder Epoch Ensemble Learning Explainable AI (XAI)

F

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

G

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

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Objective Function Online Learning One-hot Encoding Overfitting Optimizer

P

Policy / Reinforcement Learning Policy Pooling Pretraining Prompt Parameter

Q

Queue / Buffer Quantization Q-learning Query Quality Estimation

R

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

S

Supervised Learning Self-Supervised Learning Sequence Modeling Sampling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Universal Approximation Theorem Unsupervised Learning U-Net Underfitting Uncertainty Estimation

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

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

Y

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

Z

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

Lớp Ẩn Là Gì

Lớp ẩn là một thành phần quan trọng trong mạng nơ-ron, nằm giữa lớp đầu vào và lớp đầu ra. Nó có nhiệm vụ nắm bắt các mô hình và đặc điểm phức tạp trong dữ liệu đầu vào, cho phép mạng học hiệu quả và đưa ra dự đoán.

Mỗi nơ-ron trong lớp ẩn biến đổi tín hiệu đầu vào thành tín hiệu đầu ra thông qua một hàm kích hoạt. Thiết kế của các lớp ẩn cho phép mô hình học các đặc điểm bậc cao của dữ liệu, cải thiện khả năng tổng quát và độ chính xác của nó. Việc xây dựng và điều chỉnh các lớp ẩn là những phần thiết yếu trong việc xây dựng một mạng nơ-ron hiệu quả, thường liên quan đến việc chọn lựa siêu tham số và thử nghiệm kiến trúc.

Khi việc ứng dụng học sâu ngày càng tăng, nghiên cứu và tối ưu hóa các lớp ẩn cũng tiếp tục phát triển. Trong tương lai, thiết kế các lớp ẩn có thể trở nên tự động hơn, sử dụng các thuật toán tiên tiến hơn để tối ưu hóa cấu trúc mạng. Các nhà nghiên cứu cũng đang tìm kiếm cách giảm số lượng lớp ẩn để nâng cao khả năng giải thích của mô hình.

Các ưu điểm của lớp ẩn bao gồm khả năng xử lý và học các mô hình dữ liệu phức tạp, trong khi nhược điểm liên quan đến việc tăng độ phức tạp của mô hình, có thể dẫn đến việc quá khớp. Khi sử dụng lớp ẩn, điều quan trọng là chọn các phương pháp điều chỉnh hợp lý và điều chỉnh siêu tham số để cải thiện hiệu suất và tính ổn định của mô hình.