قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
المقياس ونقطة الصفر
معاملات التكميم الأساسية حيث يحدد المقياس عامل التحويل بين الفاصلة العائمة والأعداد الصحيحة، بينما تمثل نقطة الصفر القيمة الصحيحة المقابلة للصفر في الفاصلة العائمة.
تمثيل INT8
تنسيق تكميم يستخدم أعداداً صحيحة موقعة 8 بت (-128 إلى 127) لتمثيل الأوزان والتنشيطات، مما يوفر توازناً مثالياً بين الدقة والأداء الحسابي على معظم الأجهزة.
تمثيل INT4
تنسيق تكميم شديد يستخدم أعداداً صحيحة 4 بت (-8 إلى 7)، مما يقلل بشكل كبير من حجم النموذج ولكنه يسبب فقداناً ملحوظاً في الدقة يتطلب تقنيات تعويض متخصصة.
توزيع التنشيطات
تحليل إحصائي لقيم مخرجات الطبقات العصبية على مجموعة بيانات المعايرة، وهو أمر حاسم لتحديد نطاقات التكميم المثلى وتقليل فقدان المعلومات.
النطاق الديناميكي
الفرق بين القيم الدنيا والعظمى للتنشيطات أو الأوزان، مما يحدد دقة التكميم ويؤثر بشكل مباشر على دقة النموذج المكمم.
انحياز التكميم
انحراف منهجي يحدث بسبب التحويل إلى تمثيل بدقة منخفضة، ويمكن تعويضه باستخدام تقنيات التعديل الإحصائي أثناء المعايرة.
جدول البحث LUT
هيكل بيانات محسوبة مسبقاً تخزن المطابقات بين القيم المكممة وغير المكممة، مما يحسن عمليات التحويل أثناء الاستدلال لتسريع الحسابات.
فقدان الدقة
تدهور ملحوظ في أداء النموذج بسبب تقليل الدقة العددية، ويتم تقييمه باستخدام مقاييس مثل تدهور الدقة أو زيادة خطأ التنبؤ.
تحسين الأوزان
عملية الضبط الدقيق لأوزان النموذج بعد التكميم لتعويض الأخطاء الناتجة، باستخدام تقنيات مثل تصحيح الانحياز أو الضبط الدفعي.
معايرة الحد الأدنى والأقصى
تقنية معايرة تستخدم القيم القصوى الملاحظة في مجموعة البيانات لتحديد نطاق التكميم، وهي بسيطة لكنها حساسة للقيم الشاذة مما قد يؤدي إلى تدهور الدقة.
معايرة النسب المئوية
طريقة معايرة قوية تستخدم النسب المئوية (مثلاً: 99.9%) بدلاً من القيم القصوى، مما يتجنب تأثير القيم الشاذة ويحسن استخدام النطاق الديناميكي.
التكميم حسب الطبقة
نهج يطبق معلمات تكميم متطابقة على جميع أوزان الطبقة، مما يسهل التنفيذ ولكنه قد يكون غير مثالي للأوزان ذات التوزيعات المتنوعة.
التكميم حسب القناة
تقنية متقدمة تقوم بتكميم كل قناة إخراج في الطبقة التلافيفية بشكل مستقل، مما يحافظ على الدقة بشكل أفضل مقابل زيادة طفيفة في تعقيد الحساب.