Học sâu
Thẻ công cụ AIEZZ
Đang xem các sản phẩm AI được gắn thẻ “Học sâu”, với 3 kết quả phù hợp.
DeeplearningNền tảng học tập AIDeeplearning là nền tảng giáo dục trí tuệ nhân tạo trực tuyến dành cho nhà phát triển, người học, chuyên gia trong ngành AI và nhà nghiên cứu. Nền tảng tổ chức các khóa học xoay quanh mạng nơ-ron, học sâu, trí tuệ nhân tạo tạo sinh và mô hình ngôn ngữ lớn. Người học có thể học theo lộ trình từ cơ bản đến nâng cao, đồng thời củng cố kiến thức thông qua bài tập lập trình và dự án thực hành. Một số khóa học kết hợp các trường hợp ứng dụng trong ngành như xe tự lái, chẩn đoán y khoa và tạo nhạc, giúp người dùng hiểu rõ hơn về ứng dụng công nghệ. Nền tảng cũng cung cấp nội dung tin tức trong ngành trí tuệ nhân tạo. Phạm vi khóa học khá rộng, vì vậy người học nên lựa chọn lộ trình dựa trên nền tảng cá nhân; một số nội dung có thể yêu cầu kiến thức lập trình và toán học.038.5
Stable DiffusionSáng tạo tranh AIStable Diffusion là dòng mô hình tạo hình ảnh của Stability AI. Trang mô hình hình ảnh chính thức hiện tập trung vào Stable Diffusion 3.5, gồm Large, Turbo và Medium: Large hướng đến chất lượng chuyên nghiệp và khả năng tuân thủ prompt, Turbo nhấn mạnh khả năng tạo nhanh với ít bước hơn, còn Medium cân bằng giữa chất lượng, khả năng tùy biến và việc chạy trên phần cứng phổ thông. Mô hình có thể được sử dụng thông qua giấy phép tự lưu trữ, Stability AI API, đối tác đám mây hoặc ứng dụng web, đi kèm các dịch vụ chỉnh sửa như xóa, vẽ lại cục bộ, mở rộng ảnh, nâng cấp độ phân giải, cùng khả năng kiểm soát bằng phác thảo, cấu trúc và phong cách. Địa chỉ kho GitHub được công bố trước đây hiện trả về 404; việc sử dụng và triển khai thương mại nên tham khảo các trang mô hình hình ảnh và cấp phép chính thức.049
PyTorchCông cụ lập trình AIPyTorch là một khung học máy mã nguồn mở do nhóm nghiên cứu Meta AI khởi xướng và hiện được Linux Foundation quản lý, chủ yếu phục vụ các nhà nghiên cứu trí tuệ nhân tạo, kỹ sư học máy, nhà khoa học dữ liệu và sinh viên. Người dùng thường sử dụng Python để định nghĩa mô hình và quy trình tính toán xuôi, sau đó kết hợp tính toán tensor, vi phân tự động và các mô-đun mạng nơ-ron để huấn luyện, đồng thời sử dụng các thư viện trong hệ sinh thái liên quan cho các tác vụ thị giác, âm thanh hoặc văn bản. Đồ thị tính toán động giúp việc thử nghiệm và gỡ lỗi thuận tiện hơn, đồng thời hỗ trợ tiếp tục triển khai mô hình từ nguyên mẫu nghiên cứu. Việc sử dụng thực tế vẫn đòi hỏi kiến thức về Python, phép toán tensor và nền tảng học sâu; khi chuyển mã thử nghiệm sang môi trường sản xuất, người dùng vẫn cần tự xử lý việc triển khai theo hướng kỹ thuật và cấu hình tài nguyên.057.6Tất cả công cụ có thẻ này được hiển thị.