AI 词汇表
人工智能完整词典
深度卷积层
卷积神经网络的初始层，用于捕获低级特征如边缘、纹理和基本几何形状。这些层在迁移学习中通常直接重用，因为它们具有提取通用模式的能力。
预训练神经网络
已在ImageNet等大型数据集上训练的深度学习模型，拥有用于提取通用特征的优化权重。这些网络通过提供高效的特征提取器，作为迁移学习的基础。
特征向量
由预训练神经网络的中间层产生的多维数字表示。这些向量在紧凑而结构化的空间中编码输入数据的基本语义信息。
部分微调
一种迁移学习策略，其中只有模型的上层被重新训练，而下层保持冻结。这种方法保留了通用特征，同时使模型适应特定的目标任务。
固定特征提取
使用预训练模型的底层作为静态特征提取器的方法，训练过程中不修改权重。这种技术保证了提取特征的稳定性，同时减少了计算成本。
网络的底层
深度神经网络的最初几层，专门用于检测基本和通用的模式。这些层捕获了可以在不同任务和应用领域之间转移的通用特征。
视觉描述符
由预训练模型的底层卷积层从图像中提取的定量特征。这些描述符表示基本的视觉属性，如边缘、纹理和几何结构。
潜在表示
由预训练神经网络的隐藏层生成的抽象编码，捕获数据的基本信息。这些表示在减少维度的同时保留了语义，作为下游任务的基础。
分层特征
由深度网络的连续层产生的、按递增抽象级别组织的特征结构。较低层生成可重用的低级特征，作为各种任务的基元。
卷积特征图
卷积层的输出，表示对应于特定模式存在的空间激活。较低层的这些特征图在捕获可重用的局部结构方面特别有效。
瓶颈特征
从预训练网络的分类层之前提取的压缩表示。这些瓶颈特征以紧凑的格式捕获基本的语义信息，是迁移学习的理想选择。
预训练模型
深度学习架构，其权重已在ImageNet或COCO等基准数据集上优化。这些模型为各种视觉或自然语言处理任务提供了即用型特征提取器。
迁移学习
一种机器学习范式，它重用在源任务上获得的知识来提高目标任务上的性能。这种方法与从预训练模型的较低层提取特征结合使用时特别有效。
模式提取
通过较低卷积层的滤波器自动检测数据中重复结构的过程。提取出的模式作为更复杂表示的基本构建块。
抽象表示
由网络的中间层生成的高级编码，捕获语义概念而非原始像素。这些表示在不同的相关任务之间实现了更好的泛化能力。
提取层
一组专门的神经元层，用于将原始数据转换为可用的特征。在迁移学习的背景下，这些层通常来自预训练模型的较低层。
卷积特征
通过学习到的滤波器对输入数据应用卷积操作提取的属性。这些底层的特征在捕获平移不变的局部结构方面特别有效。
预训练嵌入
由在大量数据语料库上预先训练的模型生成的密集向量表示。这些嵌入捕获了丰富的语义关系，并可以作为专门任务的初始特征。