ManySpace
English Giriş yap Kayıt ol

Yapay ZekâÖnerilenAIML-GM-014

Discrete Latents and Learned Tokenizers

Vector quantisation turns continuous signals into codebook tokens that autoregressive and multimodal models can use.

Bu konunun henüz Türkçe çevirisi yok, bu yüzden İngilizce gösteriliyor.

Zorluk
4 / 5
Önem
4 / 5
Çalışma süresi
1–2 sa
Çalışma türü
Karma

Neden önemli

The learner can quantise encoder outputs to a codebook and explain the codebook-size versus reconstruction trade-off.

Bu konuya giden rota

Rota AIML-GM-014
Doğal Sayılar What Is a Model? Değişkenler ve Sabitler Tasks: Regression, Classification, and Beyond Features and Targets Doğrusal Denklemleri Çözme Fonksiyon Gösterimi ve Bileşke Classification Framing Linear Regression I: Prediction and Residuals k-Means Kompleks Sayılar Scores and Logits Loss and Fitting: Squared Error Temel Trigonometrik Oranlar Birim Çember The Artificial Neuron Doğrusal Regresyon II: En Küçük Kareler Uydurma Objective Functions and Empirical Risk Polinom Fonksiyonlar Activation Functions Principal Component Analysis Likelihood Sezgisel Limitler Süreklilik Türevin Tanımı Türev Alma Kuralları The Multilayer Perceptron Latent Representations Maximum Likelihood Estimation Bayesian Reasoning Zincir Kuralı İlkel Fonksiyonlar ve Belirsiz İntegraller Forward Propagation Mixture Models Intuition Aşkın Fonksiyonların Türevleri Riemann Toplamları ve Belirli İntegral Computational Graphs Expectation-Maximization Analizin Temel Teoremi The Chain Rule in Neural Nets Kısmi İntegrasyon Backpropagation Örnek Uzaylar ve Olaylar Autoencoders Rastgele Değişkenler ve Dağılımlar Entropi ve Karşılıklı Bilgi Variational Inference and the ELBO Variational Autoencoders Discrete Latents and Learned Tokenizers