Tanh
Definition
Den hyperbolske tangens-funksjonen (Tanh) er en ikke-lineær aktiveringsfunksjon som ofte …
Terms tagged with Deep Learning
Den hyperbolske tangens-funksjonen (Tanh) er en ikke-lineær aktiveringsfunksjon som ofte …
Likhetslæring fokuserer på å trene modeller til å kartlegge inndata inn i et vektorrom …
Setningstransformere er utvidelser av tradisjonelle Transformer-modeller (som BERT) som …
Reparameteriseringsteknikken er en grunnleggende metode brukt i variational autoencoders …
Pyannote Audio er et omfattende verktøysett designet for å lette utviklingen og …
Ekspertproduktet (PoE) er en metode for å konstruere komplekse sannsynlighetsfordelinger …
Multimodal representasjonslæring innebærer å trene modeller til å behandle og integrere …
I GAN-er oppstår mode collapse når generatoren lærer å utnytte svakheter i …
Denne hypotesen forklarer hvorfor dyp læring fungerer effektivt til tross for …
Highway Networks er designet for å adressere problemet med forsvinnende gradienter i dyp …
Et skjult lag består av nerver som mottar inndata fra tidligere lag, anvender vekter og …
AI-maskinvare refererer til spesialiserte datamaskiner optimalisert for den massive …
Denne optimaliseringsstrategien gjør det mulig å trene dype læringsmodeller med effektive …
En Gated Recurrent Unit (GRU) er en spesialisert celle i et rekurrent nevront nettverk …
Funksjonsinnlæring, ofte assosiert med dyp læring, gjør det mulig for modeller å lære …
Energi-baserte modeller (EBM) definerer en sannsynlighetsfordeling over inndata ved hjelp …
Dobbel nedgang utfordrer den tradisjonelle bias-varians-handelen ved å vise at sterkt …
Domeneadaptasjon håndterer utfordringen når trenings- og testdata kommer fra ulike …
DP-SGD er en variant av Stokastisk Gradientnedstigning designet for å beskytte …
BERT er en maskinlæringsmetode basert på transformers for forhåndstrening av naturlig …
Denne metoden justerer og skalerer aktivasjoner slik at de har null gjennomsnitt og …
AlphaChip er et spesialisert AI-system designet for å automatisere og forbedre …
Adversarielle angrep utnytter sårbarhetene i nevrale nettverk ved å introdusere subtil …
Datamaskinvisjon (CV) er en gren av kunstig intelligens som trener datamaskiner til å …
Restforbindelser, også kjent som hoppforbindelser (skip connections), lar gradienter fly …
RNN-er er designet for å gjenkjenne mønstre i sekvenser av data, som tekst, genomer, …
ReLU brukes mye i dype lærings-neurale nettverk på grunn av sin regneeffektivitet og evne …
LSTM-nettverk adresserer problemet med forsvinnende gradienter som er vanlig i standard …
I nevrale nettverk forhindrer dropout overtilpasning ved midlertidig å fjerne et …
En aktiveringsfunksjon introduserer ikke-linearitet i et nevralt nettverk, noe som gjør …
En forhåndstrent modell er en grunnleggende AI-modell som har gjennomgått omfattende …
Diffusjonsbaserte modeller er en klasse av generativ AI som lager nye dataprøver ved …
Overføringslæring utnytter forhåndstrente modeller for å forbedre ytelsen og redusere …
Forhåndstrening er en grunnleggende teknikk innen dyp læring der en modell lærer brede …
Et neuralt nettverk er en serie algoritmer som forsøker å gjenkjenne underliggende …
Multi-Head Attention utvider den vanlige oppmerksomhetsmekanismen ved å kjøre den flere …
Store språkmodeller (LLM) er avanserte kunstige intelligenssystemer basert på …
Diffusjonsmodeller er en klasse av generativ AI som lærer å reversere en stokastisk …
Adam (Adaptive Moment Estimation) er en populær førstereords gradientbasert …
Finjustering innebærer å ta en modell som allerede er trent på et stort, generelt …
Konvolusjonelle nevrale nettverk (CNN) er designet for automatisk og tilpasningsdyktig å …
En oppmerksomhetsmekanisme gjør det mulig for en modell dynamisk å vekte viktigheten av …