AI 百科 · 共 20 个词条

把 AI 术语说人话

大模型、注意力机制、RAG、LoRA、MoE…… 这些词天天见,但很少有人讲清它们到底在说什么。 这里每一条都用大白话拆开讲:它解决什么问题、怎么工作、为什么重要、常见误区在哪。 不用数学背景也能读懂。

全部 基础概念 训练方法 模型架构 推理优化 应用工程
反向传播Backpropagation 训练神经网络的核心算法:把预测误差从输出端一层层往回传,算出每个参数该往哪个方向调、调多少,让网络越学越准。 训练方法 查看详情 ↗ 梯度下降Gradient Descent 最主流的参数优化方法:算出误差下降最快的方向,让参数朝那个方向小步走,反复走很多次,直到误差尽量小。 训练方法 查看详情 ↗ 过拟合与正则化Overfitting and Regularization 过拟合指模型把训练数据背下来了、遇到新数据就失灵;正则化是一套给它加约束、防止死记硬背的办法。 训练方法 查看详情 ↗ 微调与指令微调Fine-tuning and Instruction Tuning 在已经训练好的大模型上,用少量专门数据继续训练,让它更贴合某个领域或更听话;指令微调专教它按你的要求办事。 训练方法 查看详情 ↗ LoRA 与参数高效微调LoRA and Parameter-Efficient Fine-Tuning 不改动原模型,只额外训练一小块参数来适配新任务,显存和时间成本大幅降低,让小团队也能微调大模型。 训练方法 查看详情 ↗ RLHF 与对齐RLHF and Alignment 用人类的偏好反馈来调教模型,让它输出更有帮助、更诚实、更安全,而不是只追求「猜对下一个词」。 训练方法 查看详情 ↗
本站是免费的副业装备导航站,不售卖任何课程或资料。词条为原创整理,用于科普; 技术细节如有出入,请以论文与官方文档为准。
← 返回首页 · AI 名人堂