Secību un ģeneratīvie modeļi

103 metodes šajā saimē.

Izceltās

Attention mechanismThe attention mechanism, introduced by Bahdanau, Cho and Bengio in 2015 and refined by Luong, Pham and Manning the same year, lets a sequence decoder dynamically learn which of the AutoencoderAn autoencoder is an encoder-decoder neural network, popularised by Hinton and Salakhutdinov in 2006, that compresses data into a low-dimensional latent code and then reconstructs Dкновеirziena atkārtojošais neironu tīklsA Bidirectional RNN, introduced by Schuster and Paliwal in 1997, processes a sequence in both forward and backward directions so that every position has access to its full surround CrossformerCrossformer is a Transformer-based architecture for multivariate time series forecasting, introduced by Yunhao Zhang and Junchi Yan at ICLR 2023. Unlike earlier Transformer variant CycleGAN: Neatkarīga attēlu pārtulkošana ar ciklisko konsekvenciCycleGAN, introduced by Zhu et al. at ICCV 2017, learns to translate images between two visual domains without requiring paired training examples. It trains two generators and two DeepARDeepAR is Amazon's industrial forecasting model, introduced by Salinas, Flunkert and Gasthaus (2017; published 2020), that uses an autoregressive recurrent neural network to estima

Lasīšanas ceļš

Šīs tēmas visbiežāk citētās pamatmetodes to izstrādes secībā — vieta, kur sākt, ja esat šeit iesācējs.

Atkārtotais neironu tīkls1986–1990autors: Rumelhart, D. E.; Elman, J. L.
Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūra1997autors: Hochreiter, S. & Schmidhuber, J.
Gated Recurrent Unit (GRU)2014autors: Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
Generatīvais Adversariālais Tīkls2014autors: Goodfellow, I. et al.
Variacionālais autoenkoders2014autors: Kingma, D. P. & Welling, M.
Precīzi noskaņots transformators2017–2019autors: Vaswani et al. (architecture); fine-tuning paradigm popularised by Howard & Ruder, Devlin et al.
Daudzmodālu Transformers2019–2021autors: Lu et al. (ViLBERT); Radford et al. (CLIP)
Vision Transformer2021autors: Dosovitskiy, A. et al.

visas metodes šajā plauktā ↓

Visas metodes 103

Attention mechanism Autoencoder Dкновеirziena atkārtojošais neironu tīkls Crossformer CycleGAN: Neatkarīga attēlu pārtulkošana ar ciklisko konsekvenci DeepAR Modelis difūzija Domēnam adaptīvs difūzijas modelis Adaptīvs domēna GAN Domēnam adaptīvs GRU Adaptīvs domēna rekurentais neironu tīkls Domenam pielāgotas teikumu reprezentācijas Adaptīvs domēna pārneses Transformer Domēnam adaptīvs variāciju autoenkodērs Domain-Adaptive Vision Transformer Skaidrojams difūzijas modelis Skaidrojams GAN (Explainable GAN)Skaidrojams GRU Paskaidrojamais LSTM Skaidrojams rekurentais neironu tīkls Skaidrojams Transformeris Paskaidrojams variāciju autoenkoders FEDformer: Frekvencē balstīts sadalīts Transformer Pielāgots difūzijas modelis Pielāgotā ģeneratīvā pretestības tīkls Pielāgotais GRU Pielāgots LSTM Pielāgots rekurentais neironu tīkls Teksta kopsavilkumu precizēšana Precīzi noskaņots transformators Pielāgots Variācijas Autoenkoders Pielāgotais Vision Transformer Gated Recurrent Unit (GRU)Generatīvais Adversariālais Tīkls Grafu uzmanības tīkls (Graph Attention Network, GAT)Iegādīts rekurents vienums (GRU)Informer iTransformer: Invertētais Transformer daudzvariantu laika virkņu prognozēšanai Latent Diffusion Models Atmiņas ilgtermiņa īstermiņa (LSTM) arhitektūra Longformer / BigBird ILSM Apslēptie autoenkoderi Moirai: Universāls laika sēriju prognozēšanas Transformer Daudzvalodu difūzijas modelis Daudzvalodu GAN (Multilingual GAN)Daudzvalodu GRU Daudzvalodu LSTM Daudzvalodu rekurentā neironu tīkls Daudzvalodu tekstu kopsavilkums Daudzvalodu variācijas autoenkoders Daudzvalodu redzes transformators Multimodāls difūzijas modelis Multimodāls GAN Daudzmodālais GRU Daudzmodālais LSTM Daudzmodālu rekurentā neironu tīkls Daudzmodālu Transformers Daudzmodāls variāciju autoenkoders Daudzmodālais vīzijas transformators Nestacionārs Transformer PatchTST Pyraformer Atkārtotais neironu tīkls Reformer: efektīvais Transformer garām sekvencēm Generatīvais modelis, kas balstīts uz skaitlisko vērtību (rezultātu)SegRNN: Segmentu rekurentais neironu tīkls ilgtermiņa laika rindu prognozēšanai Daudzgalvu paše-uzmanība Pašuzraudzības difūzijas modelis Pašuzraudzības GAN Pašuzraudzītā GRU Pašuzraudzības Transformer Pašuzraudzēts Variācijas Aizkodējs Self-supervised Vision Transformer Puss-uzraudzītā difūzijas modelis Puss-uzraudzīts GAN Pusuzraudzīts GRU Pusiau paškontrolēta LSTM (Semi-supervised LSTM)Pusuzraudzīts transformators Semi-supervised Variational Autoencoder Pusuzraudzīts redzes transformators (Semi-supervised Vision Transformer)Sekvences-sekvences modelis Swin Transformer T5 (Text-to-Text Transfer Transformer)Temporal Fusion Transformer Time-MoE TiRex: Nulleizgriezuma laika sēriju prognozēšana ar xLSTM Pārneses mācīšanās GAN Pārneses apmācība ar variācijas autoenkoderi Pārsūtīšanas apmācība ar difūzijas modeli Pārneses mācīšanās ar LSTM Pārneses mācīšanās ar rekurento neironu tīklu Variacionālais autoenkoders Vision Transformer Wasserstein GAN (WGAN)Vāji uzraudzīts difūzijas modelis Vāji uzraudzīts ģeneratīvais pretdarbības tīkls (Weakly Supervised GAN)Vāji uzraudzīts GRU Vāji uzraudzīta LSTM Vāji uzraudzīts rekurentais neironu tīkls Vāji uzraudzīts Transformers Vāji uzraudzīts variācijas autoenkoders Vāji uzraudzīts vīziju transformators

Vairāk no Dziļā mācīšanās

Arhitektūras un apmācība 124