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 JSONL / JSON-lines

JSONL（JSON Lines）是一种存储结构化数据的格式，其中每条记录都是单独的一行，以 JSON 格式表示。这种格式在处理大规模数据集时具有优势，便于流式处理和逐行读取。JSONL 在大数据处理、日志记录和机器学习等领域得到了广泛应用。

JSONL 的设计旨在提供一种简单、高效的方式来处理 JSON 数据。与传统的 JSON 文件不同，JSONL 文件中的每一行都是一个完整的 JSON 对象，这使得增量读取数据变得简单。用户可以逐行读取和解析数据，而无需将整个文件加载到内存中，这对于大规模数据集尤其重要。

在实际应用中，JSONL 格式常用于数据交换和存储，例如在数据管道中，数据从一个系统传输到另一个系统时，可以利用 JSONL 的逐行特性来确保数据的完整性和一致性。此外，许多现代数据处理工具和框架（如 Apache Kafka、Spark 等）都支持 JSONL 格式，使其成为数据科学家和工程师的重要工具。

未来，随着数据量的不断增加，JSONL 格式可能会在数据存储和处理领域变得越来越普遍，特别是在需要高效数据传输和处理的场景中。然而，使用 JSONL 也有一些注意事项，例如对于复杂的嵌套结构，解析可能会相对繁琐。此外，JSONL 文件没有标准的元数据描述机制，这可能会影响数据的可解释性。