VGG-16 - Historique des versions

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

2024-01-28T18:50:58Z

Remplacement de texte : « ↵<small> » par «  ==Sources== »

← Version précédente		Version du 28 janvier 2024 à 14:50
Ligne 8 :		Ligne 8 :
	''' VGG-16'''		''' VGG-16'''

	~~<small>~~		==Sources==

	[https://towardsdatascience.com/the-deep-learning-ai-dictionary-ade421df39e4 Source : towardsdatascience]		[https://towardsdatascience.com/the-deep-learning-ai-dictionary-ade421df39e4 Source : towardsdatascience]

Pitpitt le 22 juin 2022 à 18:55

2022-06-22T18:55:12Z

← Version précédente		Version du 22 juin 2022 à 14:55
Ligne 13 :		Ligne 13 :


	[[Catégorie:~~publication~~]]
			[[Catégorie:ENGLISH]]

			[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Imeziani le 22 juin 2022 à 15:30

2022-06-22T15:30:03Z

← Version précédente		Version du 22 juin 2022 à 11:30
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	Architecture de réseau neuronal à convolution considérée comme l'une des meilleures architectures de modèles de vision à ce jour. La chose la plus unique à propos de VGG16 est qu'au lieu d'avoir un grand nombre d'hyper-paramètres, ils se sont concentrés sur le fait d'avoir des couches de convolution de filtre 3x3 avec un stride 1 et ont toujours utilisé le même padding et la couche maxpool de filtre 2x2 de stride 2. Cette disposition des couches de convolution et de maxpool est suivie de manière cohérente dans toute l'architecture. A la fin, il a 2 FC (fully connected layers) suivis d'un softmax pour la sortie. Le 16 dans VGG16 fait référence au fait qu'il a 16 couches qui ont des poids. Ce réseau est assez vaste et compte environ 138 millions de paramètres.		Architecture de réseau neuronal à convolution considérée comme l'une des meilleures architectures de modèles de vision à ce jour. Le 16 dans VGG16 fait référence au fait qu'il a 16 couches qui ont des poids. Ce réseau est assez vaste et compte environ 138 millions de paramètres.

	== Français ==		== Français ==

Imeziani le 22 juin 2022 à 15:28

2022-06-22T15:28:10Z

← Version précédente		Version du 22 juin 2022 à 11:28
Ligne 1 :		Ligne 1 :
	~~==en construction==~~

	== Définition ==		== Définition ==
	~~XXXXXXXXX~~		Architecture de réseau neuronal à convolution considérée comme l'une des meilleures architectures de modèles de vision à ce jour. La chose la plus unique à propos de VGG16 est qu'au lieu d'avoir un grand nombre d'hyper-paramètres, ils se sont concentrés sur le fait d'avoir des couches de convolution de filtre 3x3 avec un stride 1 et ont toujours utilisé le même padding et la couche maxpool de filtre 2x2 de stride 2. Cette disposition des couches de convolution et de maxpool est suivie de manière cohérente dans toute l'architecture. A la fin, il a 2 FC (fully connected layers) suivis d'un softmax pour la sortie. Le 16 dans VGG16 fait référence au fait qu'il a 16 couches qui ont des poids. Ce réseau est assez vaste et compte environ 138 millions de paramètres.

	== Français ==		== Français ==
Ligne 9 :		Ligne 7 :
	== Anglais ==		== Anglais ==
	''' VGG-16'''		''' VGG-16'''

	A popular network architecture for CNNs. It simplifies the architecture of AlexNet and has a total of 16 layers. There are many pretrained VGG models which can be applied to novel use cases through transfer learning.

	<small>		<small>
Ligne 17 :		Ligne 13 :


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

Pitpitt : Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' VGG-16''' == Anglais == ''' VGG-16''' A popular network architecture for CNNs. It simplifies the... »

2022-01-03T01:21:06Z

Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' VGG-16''' == Anglais == ''' VGG-16''' A popular network architecture for CNNs. It simplifies the... »

Nouvelle page

==en construction==

== Définition ==
XXXXXXXXX

== Français ==
''' VGG-16'''

== Anglais ==
''' VGG-16'''

A popular network architecture for CNNs. It simplifies the architecture of AlexNet and has a total of 16 layers. There are many pretrained VGG models which can be applied to novel use cases through transfer learning.

<small>

[https://towardsdatascience.com/the-deep-learning-ai-dictionary-ade421df39e4 Source : towardsdatascience]

[[Catégorie:vocabulary]]