模型蒸馏 技术
模型蒸馏通过让轻量学生模型学习大型教师模型的输出,实现模型压缩与加速。
大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。
模型蒸馏通过让轻量学生模型学习大型教师模型的输出,实现模型压缩与加速。
数据增强通过对原始样本施加变换生成新样本,以扩充训练集并提升模型泛化能力。
卷积神经网络(CNN)是专为网格结构数据(如图像)设计的深度学习模型。
异常检测是从数据中发现与正常模式显著偏离样本的机器学习任务。
梯度下降是沿损失函数负梯度方向迭代更新参数的最优化算法,是机器学习训练的核心。
线性回归通过拟合线性函数描述特征与目标之间的数值关系,是机器学习的基础模型。
交叉验证是评估模型泛化能力的重采样方法,将数据划分为多份轮流训练与验证。
医学影像分析利用人工智能对 X 光、CT、MRI 等影像进行辅助诊断与定量分析。
图像风格迁移是将一幅图像的风格应用于另一幅图像内容的人工智能技术。
三维重建是从多张图像或深度数据恢复物体三维几何结构的计算机视觉技术。
目标跟踪是在视频序列中持续定位指定目标位置的计算机视觉任务。
意图识别是判断用户话语背后目的的自然语言理解任务,是对话系统的核心环节。
词性标注为句子中的每个词标记其语法类别(名词、动词、形容词等),是基础的 NLP 预处理任务。
文本生成是让计算机依据输入自动产出自然语言内容的技术,是生成式 AI 的核心能力。
语义相似度用于衡量两段文本在含义上的接近程度,是信息检索与问答系统的核心技术。