AI-ordlista
Den kompletta ordlistan över AI
DCGAN
Deep Convolutional Generative Adversarial Network, une architecture fondamentale qui intègre des réseaux convolutifs profonds dans les GANs pour améliorer la stabilité de l'entraînement et la qualité visuelle des générations.
Fonction d'Activation Leaky ReLU
Variante de la fonction ReLU utilisée dans les DCGANs qui permet un faible gradient lorsque l'unité n'est pas active, évitant ainsi les neurones morts et améliorant le flux de gradient.
Strides de Convolution
Paramètre dans les couches convolutives des DCGANs qui détermine le déplacement du filtre sur la carte d'entrée, utilisé pour réduire la dimensionnalité dans le discriminateur et l'augmenter dans le générateur.
Padding Même
Technique de remplissage des bordures avec des zéros utilisée dans les DCGANs pour conserver les dimensions spatiales des cartes de caractéristiques à travers les couches convolutives, évitant les artefacts de bordure.
Initialisation des Poids
Méthode cruciale dans les DCGANs où les poids sont initialisés selon une distribution normale pour assurer un gradient stable au début de l'entraînement et prévenir la saturation des activations.
Pooling sans Couche de Pooling
Approche architecturale des DCGANs qui remplace les couches de pooling traditionnelles par des convolutions avec des strides, permettant au réseau d'apprendre ses propres transformations de sous-échantillonnage.
Fonction de Perte du Discriminateur
Objectif d'optimisation pour le discriminateur d'un DCGAN qui maximise la probabilité d'assigner correctement l'étiquette 'réel' aux données authentiques et 'faux' aux données générées.
Fonction de Perte du Générateur
Objectif d'optimisation pour le générateur d'un DCGAN qui minimise la probabilité que le discriminateur classe correctement ses sorties comme étant fausses, cherchant à maximiser l'erreur du discriminateur.
Taux d'Apprentissage
Hyperparamètre critique dans l'entraînement des DCGANs qui contrôle l'amplitude des mises à jour des poids, nécessitant un équilibre délicat pour assurer une convergence stable entre le générateur et le discriminateur.