Tag Deep Leanring
Tìm kiếm bài viết trong Tag Deep Leanring
Strided Attention: Lý thuyết và Cơ cấu Hoạt động
Tổng quan về Strided Attention. Strided Attention là một cơ chế chú ý thưa (sparse attention) được đề xuất trong bài báo "Generating Long Sequences with Sparse Transformers" (Child et al.
0 0 0
Local Attention trong Mô hình Học Sâu
Local Attention là gì. Thay vì để mỗi phần tử trong chuỗi đầu vào chú ý đến toàn bộ các phần tử còn lại như trong Global Attention, Local Attention giới hạn phạm vi chú ý trong một cửa sổ cục bộ — thư
0 0 3
MiniCPM: Khai Phá Tiềm Năng Của Các Mô Hình Ngôn Ngữ Nhỏ (SLMs)
Trong những năm gần đây, cả thế giới và cộng đồng AI đều chứng kiến sự bùng nổ ấn tượng của các mô hình ngôn ngữ lớn (LLMs), với quy mô hàng tỷ đến hàng chục tỷ tham số. Tuy nhiên, chính vì kích thước
0 0 5
Các phương pháp để RAG hoạt động khi lên production - Phần 1
Bài viết này dành cho những tâm hồn đồng điệu đang muốn build một con LLM lên production. .
0 0 9
Callback trong fastai (P3)
Intro. Tiếp tục chuỗi bài viết về thư viện fastai, trong bài viết hôm nay, chúng ta sẽ cùng nhau tìm hiểu về hệ thống callback - nguyên liệu chính của training loop trong class Learner.
0 0 11
Góc nhìn tổng quan về bài toán Blind Image Super-Resolution
Blind image super-resolution (hay siêu phân giải mù), là bài toán nhằm siêu phân giải hình ảnh chất lượng thấp với degradation chưa biết, đã thu hút sự chú ý do tầm quan trọng trong việc phát triển cá
0 0 40
Trả lời một số câu hỏi interview Machine Learning & Deep Learning
Math. Đây là phần không thể thiếu trong các buổi phỏng vấn vì toán học đóng vai trò quan trọng, nền tảng trong Machine Learning. . Đạo hàm là gì.
0 0 30
Khám phá sức mạnh của cơ chế Self Attention trong Transformers
Lời nói đầu. Transformers đã cách mạng hóa quá trình xử lý ngôn ngữ tự nhiên (NLP) bằng cách đạt được hiệu suất tiên tiến nhất trên nhiều tác vụ như dịch máy, lập mô hình ngôn ngữ và phân tích tình cả
0 0 34
Khám phá activation function Gelu(Transformers)
Phần 1 . Lời nói đầu. Trong bài viết này chúng ta sẽ bắt đầu tìm hiểu một số chi tiết chưa có trong bài báo https://arxiv.org/abs/1606.
0 0 28
Introduction Backpropagation CNN(Series 2)
Nhân dịp năm mới mình kính mong tất cả mọi người năm mới an lạnh thật nhiều niềm vui . Chúc mừng năm mới ngập tràn tiếng cười.
0 0 32
Introduction Backpropagation ANN(Series 1)
Phần 1: Đạo hàm hồi quy logistic. Trong quá trình thực hiện mạng nơ-ron , chúng ta khởi tạo các tham số kết hợp với các đầu vào thông qua các layer có sử dụng activation function non linear.
0 0 29
[Điểm tin AI tuần qua] Số thứ tư: 12/12/2022 - 18/12/2022
1. Các hoạt động đáng chú ý trong tuần:.
0 0 22
[Điểm tin AI tuần qua] Số thứ ba: 04/12/2022 - 10/12/2022
Chương trình điểm tin hàng tuần của AI Research được xây dựng nhằm mục đích giúp bạn cập nhật các xu hướng mới nhất. Nội dung số thứ ba của chương trình bao gồm các nội dung
0 0 24
Imagen - Mô hình SOTA giải quyết bài toán Text-to-Image
Imagen - mô hình mới được công bố gần đây bởi Google với khả năng generate hình ảnh với đoạn text mô tả bất kỳ, cho dù ảnh đó không có thật hoặc phi vật lý. Phía trên là một ví dụ của ảnh được sinh ra
0 0 49
Giới thiệu về Diffussion model (series 2)
1. Variable Diffussion model (VDM). 1.1 Lịch sử hình thành.
0 0 50
GLiT: Neural Architecture Search for Global and Local Image Transformer
Mở đầu. Trong thời gian qua, các kiến trúc dựa trên Convolutional Neural Networks (CNN) đã và đang có những thành công đáng kể trong các tác vụ học sâu.
0 0 35
[Paper Explain][End-to-End Dense Video Captioning with Parallel Decoding] PDVC - Hướng tiếp cận end-to-end với giải mã song song cho bài toán Dense Video Captioning
Xin chào các bạn. Chắc hẳn mọi người cũng đã từng nghe qua đến cái tên Video Understanding với rất nhiều các tác vụ con kèm theo đó là khá model nổi tiếng như:.
0 0 39
Các chỉ số đánh giá được sử dụng cho bài toán Image Generation: IS, FID, PSNR, SSIM,...
1. Giới thiệu về bài toán Image Generation.
0 0 38
Xây dựng bài toán tự động xóa vật thể bất kì bằng Deep Learning
1. Giới thiệu về bài toán Automatic Object Removal.
0 0 43