LegközelebbKövetkező útmutató
Összevont tanulás
Műszaki
Műszaki ÚTMUTATÓ
A kontrasztos tanulás megtanítja a modellt a hasonló dolgok összevonására és a különböző dolgok szétszedésére egy beágyazott térben.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert lehetővé teszi a mesterséges intelligencia számára, hogy hatékony reprezentációkat tanulhasson meg többnyire címkézetlen adatokból, megerősítve a képkeresést, az ajánlásokat és a multimodális modelleket.
Ahelyett, hogy megjósolna egy címkét, a kontrasztív tanulás összehasonlításból tanul: adott horgonyelem esetén a modell úgy van kiképezve, hogy a megfelelő „pozitív” a vektortérben a közelébe kerül, míg a nem egyező „negatívok” messzire. Egy általános önfelügyelt recept (mint például a SimCLR) úgy hoz létre pozitívumot, hogy ugyanazt a képet véletlenszerűen kétszer növeli (vágás, színrezgés, elmosódás); minden más a kötegben negatív. A modell a bemeneteket vektorokra képezi le, és a veszteség nagy hasonlóságot jutalmaz a párnál, és alacsony hasonlóságot a többinél. Ez olyan beágyazásokat hoz létre, ahol a távolság tükrözi a jelentést, így egy későbbi feladathoz sokkal kevesebb címkére van szükség. A CLIP ugyanazt az ötletet alkalmazza minden módozatban, és a képeket a feliratokhoz illeszti.
CLIP egy megosztott kép-szöveg tér tanulása, így kereshet a fotókönyvtárban olyan begépelt kifejezésekkel, mint a „kutya a gördeszkán”.
A látás gerincének előképzése a SimCLR segítségével címkézetlen fényképeken, majd finomhangolása a betegség kimutatására csak egy kis címkézett készlettel.
Olyan termék- vagy dalajánlások készítése, amelyekben a felhasználónak tetsző elemek beágyazása egymáshoz közel helyezkednek el, hogy a legközelebbi szomszédhoz hozzáférhessenek.
Arcellenőrző rendszerek, amelyek megtanítják a beágyazást, így két fotó ugyanarról a személyről közel van, a különböző emberek pedig távol vannak egymástól.
A kontrasztos tanulás a maszkos és generatív önfelügyelettel olyan hibrid célokká konvergál, amelyek a globális hasonlóságot és a finom részleteket egyaránt megragadják. Legnagyobb hatása multimodális: a kontrasztosan igazított kép-szöveg (és immár hang- és videó) beágyazások alapozzák meg a keresést, a visszakereséssel kiegészített generálást és a nullapontos osztályozást, és ez a lábnyom növekedni fog. További munkára kell számítani a hatalmas tételek iránti étvágy csökkentése, a jobb gyarapítási és negatív-bányászati stratégiák, valamint a megközelítés kiterjesztése olyan területekre, mint az orvosi képalkotás és az idősorok, ahol a címkék szűkösek és drágák.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A kontrasztos tanulás megtanítja a modellt a hasonló dolgok összevonására és a különböző dolgok szétszedésére egy beágyazott térben. Ez azért fontos, mert lehetővé teszi a mesterséges intelligencia számára, hogy hatékony reprezentációkat tanulhasson meg többnyire címkézetlen adatokból, vezérelve a képkeresést, ajánlásokat és multimodális modelleket.
A kontrasztos tanulás beágyazási teret alakít ki, így az egyező párok közel vannak, a nem egyező párok pedig távol vannak egymástól.
A SimCLR egy kép két kibővített nézetéből hoz létre pozitívakat, és a köteg többi képe negatívként szolgál.
Az InfoNCE, a hőmérséklettel való hasonlósági pontszámok feletti softmax a standard kontrasztív objektív.
A kontrasztos tanulás számos negatívumból profitál; egy sor biztosítja számukra, miközben a kötegméret kezelhető marad.
Negatívumok nélkül egy modell triviálisan leképezhet mindent ugyanarra a vektorra; stop-gradiens és lendületi célok megakadályozzák ezt az összeomlást.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Összevont tanulás
Műszaki