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

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

B

BERT Boosting Backpropagation Batch Normalization Bias

C

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

D

Discriminative Model Deterministic Model Deep Learning Data Augmentation Deepfake

E

Epoch Encoder Ensemble Learning Explainable AI (XAI)Embedding

F

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

G

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

H

Hierarchical Model Hyperparameter Hallucination Heuristic Hidden Layer

I

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

J

JAX JSONL / JSON-lines Juxtaposition Jittering Joint Embedding

K

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

L

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

M

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

N

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

O

One-hot Encoding Overfitting Objective Function Optimizer Online Learning

P

Prompt Parameter Pretraining Policy / Reinforcement Learning Policy Pooling

Q

Q-learning Query Queue / Buffer Quantization Quality Estimation

R

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

S

Softmax Sampling Supervised Learning Sequence Modeling Self-Supervised Learning

T

Tokenizer Transformer Tuning / Hyperparameter Tuning Transfer Learning Training Data

U

U-Net Uncertainty Estimation Underfitting Universal Approximation Theorem Unsupervised Learning

V

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

W

Weight Decay Word Embedding Workflow Whitening / Whitening Transformation Weak Supervision

X

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

Y

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

Z

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

什么是编码器

“编码器”是指将信息或数据从一种格式转换为另一种格式的设备或程序。它主要用于计算机科学和工程领域，将原始数据转换为更高效的存储或传输格式，例如将音频、视频或文本数据编码为数字格式。

编码器的工作原理通常涉及分析输入数据并生成相应的编码输出。不同类型的编码器使用不同的算法和协议。例如，视频编码器可能使用 H.264、HEVC 或 VP9 等标准，而音频编码器可能使用 MP3、AAC 或 FLAC。此过程通常包括压缩数据以减少文件大小，同时尽量保持原始数据的质量。

编码器的应用非常广泛，包括但不限于流媒体服务（如 Netflix 或 YouTube）、视频会议软件（如 Zoom 或 Microsoft Teams）以及数字音频播放（如 Spotify 或 Apple Music）。在这些场景中，编码器确保音频和视频内容能够高效传输并以最佳质量呈现。

随着技术的发展，编码器的性能和效率也在不断提升。人工智能和机器学习技术的应用正在推动编码器的演进，使其能够更智能地处理数据压缩和格式转换。此外，随着 8K 视频和高动态范围（HDR）内容的普及，编码器的需求和复杂性也在增加。

编码器的主要优点是能够有效地减少数据量，从而节省存储空间和带宽。然而，编码过程可能导致一定程度的信息损失，尤其是在使用有损压缩算法时。此外，某些编码器可能需要较高的计算资源，导致编码和解码的延迟。

在选择编码器时，用户应考虑其特定需求，包括所需的压缩比、输出质量和实时性。同时，了解不同编码器的兼容性和标准也是至关重要的，以确保能够在各种设备和平台上顺利播放。