Autoencodeurs peu denses - Historique des versions

Pitpitt : Remplacement de texte : « ↵↵↵ » par «   »

2024-01-29T15:30:18Z

Remplacement de texte : « ↵↵↵ » par «   »

← Version précédente		Version du 29 janvier 2024 à 11:30
Ligne 11 :		Ligne 11 :
	== Anglais ==		== Anglais ==
	''' Sparse Auto Encoder'''		''' Sparse Auto Encoder'''


	[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]		[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]

	[[Catégorie:GRAND LEXIQUE FRANÇAIS]]		[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Pitpitt le 18 novembre 2023 à 02:17

2023-11-18T02:17:25Z

← Version précédente		Version du 17 novembre 2023 à 22:17
Ligne 5 :		Ligne 5 :
	= La régularisation L1, que nous utiliserons dans cet article.		= La régularisation L1, que nous utiliserons dans cet article.
	* La divergence KL, que nous aborderons dans le prochain article.		* La divergence KL, que nous aborderons dans le prochain article.


	== Français ==		== Français ==
Ligne 13 :		Ligne 12 :
	''' Sparse Auto Encoder'''		''' Sparse Auto Encoder'''




	[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]		[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]

			[[Catégorie:GRAND LEXIQUE FRANÇAIS]]


	[[Catégorie:~~vocabulary]]~~
	~~[[Catégorie:publication~~]]

Pitpitt : Pitpitt a déplacé la page Sparse Auto Encoder vers Autoencodeurs peu denses

2023-11-18T02:16:41Z

Pitpitt a déplacé la page Sparse Auto Encoder vers Autoencodeurs peu denses

← Version précédente	Version du 17 novembre 2023 à 22:16
(Aucune différence)

Mariealfaro le 17 novembre 2023 à 22:15

2023-11-17T22:15:05Z

← Version précédente		Version du 17 novembre 2023 à 18:15
Ligne 1 :		Ligne 1 :
	==~~en construction~~==		== Définition ==
			Dans les autoencodeurs peu denses, nous pouvons toujours utiliser des neurones entièrement connectés dont le nombre est égal à la dimensionnalité de l'image. Cependant, l'ajout d'une régularisation de la densité permet d'empêcher le réseau neuronal de copier l'entrée.

			Il existe principalement deux façons d'ajouter des contraintes de densité aux autoencodeurs profonds.
			= La régularisation L1, que nous utiliserons dans cet article.
			* La divergence KL, que nous aborderons dans le prochain article.

	~~== Définition ==~~
	~~XXXXXXXXX~~

	== Français ==		== Français ==
	''' ~~XXXXXXXXX~~ '''		''' Autoencodeurs peu denses '''

	== Anglais ==		== Anglais ==
Ligne 11 :		Ligne 14 :


	In sparse autoencoders, we can still use fully connected neurons with numbers equal to the image dimensionality. But still, by adding a sparsity regularization, we will be able to stop the neural network from copying the input.

	~~Mainly, there are two ways to add sparsity constraints to deep autoencoders.~~
	~~= L1 regularization, which we will use in this article.~~
	* KL divergence, which we will address in the next article.

	~~<small>~~


	[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]		[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]
Ligne 26 :		Ligne 22 :

	[[Catégorie:vocabulary]]		[[Catégorie:vocabulary]]
			[[Catégorie:publication]]

Pitpitt le 23 octobre 2023 à 13:13

2023-10-23T13:13:37Z

← Version précédente		Version du 23 octobre 2023 à 09:13
Ligne 12 :		Ligne 12 :

	In sparse autoencoders, we can still use fully connected neurons with numbers equal to the image dimensionality. But still, by adding a sparsity regularization, we will be able to stop the neural network from copying the input.		In sparse autoencoders, we can still use fully connected neurons with numbers equal to the image dimensionality. But still, by adding a sparsity regularization, we will be able to stop the neural network from copying the input.

	Mainly, there are two ways to add sparsity constraints to deep autoencoders.		Mainly, there are two ways to add sparsity constraints to deep autoencoders.
	= L1 regularization, which we will use in this article.		= L1 regularization, which we will use in this article.

Pitpitt : Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' XXXXXXXXX ''' == Anglais == ''' Sparse Auto Encoder''' In sparse autoencoders, we can still use f... »

2023-10-23T13:13:19Z

Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' XXXXXXXXX ''' == Anglais == ''' Sparse Auto Encoder''' In sparse autoencoders, we can still use f... »

Nouvelle page

==en construction==

== Définition ==
XXXXXXXXX

== Français ==
''' XXXXXXXXX '''

== Anglais ==
''' Sparse Auto Encoder'''

In sparse autoencoders, we can still use fully connected neurons with numbers equal to the image dimensionality. But still, by adding a sparsity regularization, we will be able to stop the neural network from copying the input.

Mainly, there are two ways to add sparsity constraints to deep autoencoders.
= L1 regularization, which we will use in this article.
* KL divergence, which we will address in the next article.

<small>

[https://debuggercafe.com/sparse-autoencodersusing-l1-regularization-with-pytorch/ Source : debuggercafe]

[[Catégorie:vocabulary]]