Réseau autoattentif - Historique des versions

Pitpitt le 20 avril 2026 à 00:28

2026-04-20T00:28:36Z

← Version précédente		Version du 19 avril 2026 à 20:28
Ligne 46 :		Ligne 46 :

	'''self-attentive architecture'''		'''self-attentive architecture'''

			A transformer or self-attention neural network is a high-performance, deep, sequence-to-sequence neural network architecture. It uses the attention mechanism, more precisely self-attention, to replace both recurrence and convolution.

			The self-attention mechanism considerably improves the semantic accuracy of the network, and enables much larger data sets to be processed, as processing can be done more easily in parallel thanks to self-supervised learning.


	==Español==		==Español==

Claude COULOMBE le 19 février 2026 à 14:41

2026-02-19T14:41:35Z

← Version précédente		Version du 19 février 2026 à 10:41
Ligne 37 :		Ligne 37 :
	'''transformer architecture'''		'''transformer architecture'''

	'''self-~~attention~~ network'''		'''self-attentive network'''

	'''self-~~attention~~ neural network'''		'''self-attentive neural network'''

	'''self-~~attention~~ learning'''		'''self-attentive learning'''

	'''self-~~attention~~ model'''		'''self-attentive model'''

	'''self-~~attention~~ architecture'''		'''self-attentive architecture'''

	==Español==		==Español==

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:57:54Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:57
Ligne 48 :		Ligne 48 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' transformador '''''		''''' transformador '''''

Jean-Sébastien Zavalone le 23 juillet 2025 à 15:12

2025-07-23T15:12:00Z

← Version précédente		Version du 23 juillet 2025 à 11:12
Ligne 46 :		Ligne 46 :

	'''self-attention architecture'''		'''self-attention architecture'''

			==Español==

			''''' transformador '''''

			''El transformador es una arquitectura de red neuronal profunda de alto rendimiento y secuencia a secuencia. Utiliza el mecanismo de atención, más concretamente la autoatención, para sustituir tanto a la recurrencia como a las convoluciones.''

			''El modelo de atención visual mejora considerablemente la precisión semántica de la red y le permite procesar conjuntos de datos mucho mayores, ya que el procesamiento puede realizarse más fácilmente en paralelo gracias al aprendizaje autosupervisado.''

	==Sources==		==Sources==
Ligne 55 :		Ligne 63 :

	{{Modèle:101}}		{{Modèle:101}}

	[[Category:Intelligence artificielle]]		[[Category:Intelligence artificielle]]
	[[Category:Apprentissage profond]]		[[Category:Apprentissage profond]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Jean-Sébastien Zavalone : Remplacement de texte : « 
{{Modèle:101}}
 » par « {{Modèle:101}} »

2025-07-21T20:35:08Z

Remplacement de texte : « </small><br> {{Modèle:101}}<br> » par « {{Modèle:101}} »

← Version précédente		Version du 21 juillet 2025 à 16:35
Ligne 54 :		Ligne 54 :
	[[Utilisateur:Patrickdrouin \| Source : Termino]]		[[Utilisateur:Patrickdrouin \| Source : Termino]]

	~~</small><br>~~ {{Modèle:101}}~~<br>~~		{{Modèle:101}}

	[[Category:Intelligence artificielle]]		[[Category:Intelligence artificielle]]

Patrickdrouin le 17 juin 2025 à 18:36

2025-06-17T18:36:04Z

← Version précédente		Version du 17 juin 2025 à 14:36
Ligne 5 :		Ligne 5 :

	==Compléments==		==Compléments==
	Contrairement à un [[réseau récurrent]], un réseau autoattentif traite toutes les données d'entrée simultanément. Grâce au mécanisme d'autoattention, le réseau peut donner un poids (ou une valeur attention) variable à différentes parties de la séquence de données d'entrée mises en relation avec n'importe quelle autre partie de cette séquence.		Contrairement à un [[réseau récurrent]], un réseau autoattentif traite toutes les données d'entrée simultanément. Grâce au mécanisme d'autoattention, le réseau peut donner un [[poids]] (ou une valeur attention) variable à différentes parties de la séquence de données d'entrée mises en relation avec n'importe quelle autre partie de cette séquence.
	<hr/>		<hr/>
	Des exemples connus de réseaux ou de modèles autoattentifs sont: [[BERT]] de Google et [[GPT]] d'OpenAI.		Des exemples connus de réseaux ou de modèles autoattentifs sont: [[BERT]] de Google et [[GPT]] d'OpenAI.

Patrickdrouin le 17 juin 2025 à 18:34

2025-06-17T18:34:54Z

← Version précédente		Version du 17 juin 2025 à 14:34
Ligne 5 :		Ligne 5 :

	==Compléments==		==Compléments==
	Contrairement à un [[réseau récurrent]], un réseau autoattentif traite toutes les données d'entrée simultanément. Grâce au mécanisme d'autoattention, le réseau peut donner un poids (ou attention) variable à différentes parties de la séquence de données d'entrée mises en relation avec n'importe quelle autre partie de cette séquence.		Contrairement à un [[réseau récurrent]], un réseau autoattentif traite toutes les données d'entrée simultanément. Grâce au mécanisme d'autoattention, le réseau peut donner un poids (ou une valeur attention) variable à différentes parties de la séquence de données d'entrée mises en relation avec n'importe quelle autre partie de cette séquence.
	<hr/>		<hr/>
	Des exemples connus de réseaux ou de modèles autoattentifs sont: [[BERT]] de Google et [[GPT]] d'OpenAI.		Des exemples connus de réseaux ou de modèles autoattentifs sont: [[BERT]] de Google et [[GPT]] d'OpenAI.

Arianne le 2 juin 2025 à 17:42

2025-06-02T17:42:07Z

← Version précédente		Version du 2 juin 2025 à 13:42
Ligne 10 :		Ligne 10 :

	<hr/>		<hr/>
	En anglais on dit self-attention learning et plus souvent transformer qui est un clin d'œil à la franchise de jouets et films japonais « Transformers ».		En anglais, on dit « self-attention learning », et plus souvent « transformer » qui est un clin d'œil à la franchise de jouets et films japonais « Transformers ».
	<hr/>		<hr/>
	Les réseaux autoattentifs sont le prolongement des travaux pionniers du laboratoire MILA dirigé par Yoshua Bengio à l'Université de Montréal qui ont défini un mécanisme d'attention utilisé en traduction automatique neuronale.		Les réseaux autoattentifs sont le prolongement des travaux pionniers du laboratoire MILA dirigé par Yoshua Bengio à l'Université de Montréal qui ont défini un mécanisme d'attention utilisé en traduction automatique neuronale.

Arianne le 2 juin 2025 à 17:36

2025-06-02T17:36:06Z

← Version précédente		Version du 2 juin 2025 à 13:36
Ligne 50 :		Ligne 50 :
	[https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000050185686 Source : Légifrance]		[https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000050185686 Source : Légifrance]

	[[Utilisateur:Claude COULOMBE \| Source: Claude Coulombe, Datafranca.org]]		[[Utilisateur:Claude COULOMBE \| Source : Claude Coulombe, Datafranca.org]]

	[[Utilisateur:Patrickdrouin \| Source: Termino]]		[[Utilisateur:Patrickdrouin \| Source : Termino]]

	</small><br> {{Modèle:101}}<br>		</small><br> {{Modèle:101}}<br>

Pitpitt le 5 mars 2025 à 18:05

2025-03-05T18:05:42Z

← Version précédente		Version du 5 mars 2025 à 14:05
Ligne 60 :		Ligne 60 :
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]
	~~[[Catégorie:Publication]]~~