এআই শব্দকোষের মেয়াদ

ডিপিও (ডাইরেক্ট প্রেফারেন্স অপ্টিমাইজেশান) কী?

সংজ্ঞা

একটি প্রশিক্ষণ পদ্ধতি যা একটি পৃথক পুরস্কার মডেলের প্রয়োজন ছাড়াই সরাসরি পছন্দের জোড়ায় মডেলগুলিকে সূক্ষ্ম-টিউন করে৷

সম্পূর্ণ AI শব্দকোষ ব্রাউজ করুনসমস্ত বিনামূল্যের এআই গাইড এক্সপ্লোর করুন

সম্পর্কিত পদ

হিউম্যান ফিডব্যাক থেকে রিইনফোর্সমেন্ট লার্নিং (RLHF)একটি প্রশিক্ষণ পদ্ধতি যা মডেল আচরণকে আকার দিতে মানুষের পছন্দ সংকেত ব্যবহার করে।পোস্ট-ট্রেনিংপ্রশিক্ষণের ধাপগুলি প্রি-ট্রেনিংয়ের পরে প্রয়োগ করা হয়, যেমন নির্দেশ টিউনিং, পছন্দ অপ্টিমাইজেশান এবং নিরাপত্তা টিউনিং।ক্রমাগত শিক্ষাপ্রশিক্ষণ পদ্ধতি যা একটি মডেলকে পূর্বের জ্ঞান না ভুলে নতুন ডেটা থেকে শিখতে দেয়।ফাইন-টিউনিংএকটি নির্দিষ্ট কাজের জন্য একটি প্রাক-প্রশিক্ষিত মডেলকে মানিয়ে নিতে ডোমেন-নির্দিষ্ট ডেটার উপর অবিরত প্রশিক্ষণ।গ্রেডিয়েন্ট ডিসেন্টএকটি অপ্টিমাইজেশান পদ্ধতি যা প্যারামিটারগুলিকে সেই দিকে আপডেট করে যা ত্রুটি হ্রাস করে৷নির্দেশ টিউনিংনির্দেশনা-প্রতিক্রিয়া জোড়ায় একটি মডেলকে ফাইন-টিউনিং করে অনুসরণ করা টাস্ককে উন্নত করা।

আমাদের বিনামূল্যের গাইডে আরও জানুন

AI Inference OptimizationBidirectional Recurrent NetworksSecond-Order Optimization and Newton MethodsOdds Ratio Preference Optimization

আরও দেখুন

Tree of ThoughtsQLoRAReActFlash AttentionAgentic LoopMulti-Head AttentionMCP (Model Context Protocol)Positional Encoding