এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Quantification des activations
Processus de réduction de la précision des valeurs d'activation propagées dans le réseau neuronal, essentiel pour minimiser l'utilisation mémoire et optimiser les calculs sur les microcontrôleurs aux ressources limitées.
Quantification consciente pendant l'entraînement
Approche où la quantification est simulée pendant la phase d'entraînement pour minimiser la perte de précision, résultant en modèles plus robustes une fois quantifiés pour les dispositifs embarqués.
Précision 8 bits
Format de représentation numérique utilisant 8 bits par paramètre, offrant un équilibre optimal entre précision et efficacité pour la plupart des applications de deep learning sur dispositifs IoT.
Élagage de réseau neuronal
Technique de compression éliminant sélectivement les poids ou neurones les moins importants du réseau, réduisant significativement la taille du modèle tout en préservant les performances essentielles.
Binatrisation extrême
Forme extrême de quantification réduisant tous les poids et activations à 1 bit (+1/-1), maximisant la compression et accélérant drastiquement les calculs sur hardware IoT spécialisé.
Représentation à virgule fixe
Format numérique où les nombres sont représentés avec un nombre fixe de bits pour la partie entière et décimale, privilégié dans les dispositifs IoT pour sa simplicité hardware et son efficacité énergétique.
Optimisation Edge AI
Ensemble de techniques combinant quantification, compression et optimisation algorithmique pour adapter efficacement les modèles IA aux contraintes strictes des dispositifs edge et IoT.
Effacement de poids structuré
Variante de l'élagage supprimant des structures entières (filtres, canaux ou têtes d'attention) plutôt que des poids individuels, générant des modèles plus efficaces sur hardware IoT.
সাব-৮-বিট কোয়ান্টাইজেশন
প্রযুক্তি যা ৮ বিটের নিচে নির্ভুলতা কমিয়ে (৪, ২ বা এমনকি ১ বিট) সর্বাধিক সংকোচন করে, অত্যন্ত সীমাবদ্ধ IoT অ্যাপ্লিকেশনের জন্য উপযুক্ত।
টেনসর ফ্যাক্টোরাইজেশন
গাণিতিক কৌশল যা বড় মাত্রার ওজন টেনসরগুলিকে ছোট টেনসরের গুণফলে বিভক্ত করে, IoT ডেপ্লয়মেন্টের জন্য প্যারামিটার সংখ্যা নাটকীয়ভাবে হ্রাস করে।
কম্প্রেসড ওয়েট এনকোডিং
কোয়ান্টাইজেশনের পরে প্রয়োগ করা সংকোচন অ্যালগরিদম যা হাফম্যান বা রান-লেংথ এনকোডিং এর মতো কৌশল ব্যবহার করে IoT-এ মডেলের স্টোরেজ সাইজ আরও কমায়।