![](https://img-blog.csdnimg.cn/direct/a2cbbfa922e64b5fa179bd9fb1ed5906.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
AI
文章平均质量分 57
机器学习
令狐Cong
个人github链接(https://github.com/Frankie32244)
展开
-
什么是模型预训练
例如,在自然语言处理中,预训练模型可能会在网上收集的大量文本数据上进行训练,以学习词汇、语法、句子结构等语言基础知识。原创 2024-06-06 10:17:49 · 290 阅读 · 0 评论 -
什么是多模态、多模态学习的分类
多模态融合是指将来自不同感知模态(如图像、文本、语音等)的信息整合到一个统一的模型中,以更全面、准确地理解和处理数据。原创 2024-06-06 10:21:25 · 157 阅读 · 0 评论 -
微调(Fine-Tunning)
Finetune,也叫微调、fine-tuning, 是深度学习中的一个重要概念。原创 2024-06-06 15:50:31 · 326 阅读 · 0 评论 -
边缘计算(Edge computing)
靠近数据源:边缘计算涉及在网络边缘附近处理数据,即在数据生成的地方,而不是在中央数据中心。比如,手机就是人与云中心之间的边缘结点,网关是智能家居和云中心之间的边缘结点。在理想环境中,边缘计算指的就是在数据产生源附近分析、处理数据,没有数据的流转,进而。降低延迟:通过在数据生成的地方进行数据处理,边缘计算可以显著降低延迟,这对于实时应用程序(如自动驾驶汽车、工业自动化和增强现实)至关重要。节省带宽:只发送必要或预处理的数据到云可以减少带宽需求,这对于网络效率有益,也可以降低传输成本。原创 2024-06-06 15:59:39 · 180 阅读 · 0 评论 -
联邦学习(Federal Learning)
简而言之,联邦学习就是一个分布式的机器学习过程,它让所有参与者都能在保持数据隐私的同时,共同合作训练出一个更强大、更智能的模型。尤为重要的领域,如医疗健康、金融服务等。,提升模型效果的同时保护隐私安全。原创 2024-06-06 15:56:09 · 384 阅读 · 0 评论 -
表征学习(Representation Learning)
简单来说,就是让机器通过学习得到数据的高效表示(或叫特征)。这些表示能够揭示数据的本质属性,让机器更好地完成各种任务,比如分类、预测等。这些算法各有特点和应用场景,选择合适的算法需要根据具体任务的需求和数据特性来决定。我的理解就是将各种数据降维表示成向量,易于模型理解和处理。原创 2024-06-06 15:54:12 · 445 阅读 · 0 评论 -
迁移学习(Transfer Learning)
源域 (Source domain):已有知识的域目标域 (Target domain):要进行学习的域。原创 2024-06-06 15:52:08 · 399 阅读 · 0 评论 -
对比学习(Contrastive Learning)、常用的对比学习算法简述
它通过两个网络(一个目标网络和一个在线网络)学习表示,其中在线网络的目标是预测目标网络在相同输入的不同增强版本上的表示。Barlow Twins是一种简单的自监督学习方法,通过最小化两个不同增强视图的表示之间的冗余度,同时确保每个特征的表示力最大化。它将每个视图的表示作为正样本,其他视图的表示作为负样本,通过最大化视图间的相似度来学习有区分力的特征。总结来说,对比学习通过让模型比较相似和不相似的样本,学习到更有用的数据表示,这种方法在减少对大量标注数据的依赖的同时,提高了模型的泛化能力。原创 2024-06-06 11:00:36 · 584 阅读 · 0 评论 -
强化学习(Reinforcement learning,简称RL)
我的理解就是设置奖惩机制,让智能体更好地去学习,模拟人类学习的一个过程。原创 2024-06-06 10:49:36 · 462 阅读 · 0 评论