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

JAX là gì

JAX là một thư viện mã nguồn mở được phát triển bởi Google cho tính toán số hiệu suất cao và học máy. Tên của nó có nghĩa là 'Just After eXecution', cho thấy khả năng tối ưu hóa của nó trong thời gian thực, đặc biệt là trong việc phân biệt tự động.

Kết hợp tính dễ sử dụng của NumPy với sức mạnh của TensorFlow, JAX cho phép người dùng thực hiện các phép tính hiệu quả thông qua mã Python đơn giản. Một trong những tính năng nổi bật của nó là hỗ trợ phân biệt tự động, cho phép tính toán gradient một cách dễ dàng.

JAX sử dụng một trình biên dịch được gọi là XLA (Accelerated Linear Algebra) để chuyển đổi các hàm Python của người dùng thành mã máy hiệu quả, tăng tốc quá trình tính toán. Tối ưu hóa này giúp JAX nổi bật trong việc xử lý dữ liệu quy mô lớn.

JAX được sử dụng rộng rãi trong học máy, tính toán khoa học và tối ưu hóa số. Nhiều nghiên cứu và ứng dụng tiên tiến đã áp dụng JAX, đặc biệt trong học sâu, học tăng cường và mô hình sinh.

Trong tương lai, JAX có thể tiếp tục mở rộng khả năng của mình, thu hút thêm nhiều nhà phát triển và nhà nghiên cứu. Với sự phát triển liên tục của học máy và trí tuệ nhân tạo, JAX cũng có thể cải thiện về hiệu suất và tính dễ sử dụng.

Mặc dù JAX có nhiều lợi ích, chẳng hạn như hiệu suất cao và tính linh hoạt, nhưng cũng có một số nhược điểm. Ví dụ, đường cong học tập của JAX có thể dốc cho người mới bắt đầu, đặc biệt đối với những người không quen thuộc với NumPy hoặc học máy. Hơn nữa, hệ sinh thái của JAX vẫn đang phát triển so với các khung khác (như TensorFlow hoặc PyTorch), và một số tính năng có thể chưa hoàn thiện.