« Évanescence du gradient » : différence entre les versions

Dernière version du 28 janvier 2024 à 15:10

Définition

Problème posé, dans un réseau de neurones profond, par la diminution très rapide des valeurs des gradients pendant la rétropropagation entraînant l'annulation du gradient et par conséquent l'arrêt de l'apprentissage.

Compléments

Nous recommandons l'expression « évanescence du gradient » pour sa spécificité et sa beauté langagière.

Français

évanescence du gradient

disparition du gradient

dissipation du gradients

problème de l'évanescence du gradient

Anglais

gradient vanishing

gradient vanishing problem

Sources

Source: Pascanu, Razvan (2015). On Recurrent and Deep Neural Networks, thèse de doctorat, Université de Montréal, 267 pages.

Source : openclassrooms.com

Source: Claude Coulombe ( discussion)

Source: Termino

@@ Ligne 1 : / Ligne 1 : @@
-== Domaine ==
+==Définition==
+Problème posé, dans un réseau de neurones profond, par la diminution très rapide des valeurs des gradients pendant la rétropropagation entraînant l'annulation du gradient et par conséquent l'arrêt de l'apprentissage.
-[[Category:Vocabulary]]  Vocabulary
+==Compléments==
-[[Catégorie:Apprentissage profond]] Apprentissage profond
+Nous recommandons l'expression « évanescence du gradient » pour sa spécificité et sa <i>beauté</i> langagière.
- [[Category:scotty]]
-== Définition ==
-description manquante
-== Français ==
+==Français ==
+'''évanescence du gradient'''
-=== le problème de la disparition du gradient ===
+'''disparition du gradient'''
+'''dissipation du gradients'''
-== Anglais ==
+'''problème de l'évanescence du gradient'''
+==Anglais==
-'''Vanishing Gradient Problem'''
+'''gradient vanishing'''
-The vanishing gradient problem arises in very deep Neural Networks, typically Recurrent Neural Networks, that use activation functions whose gradients tend to be small (in the range of 0 from 1). Because these small gradients are multiplied during backpropagation, they tend to “vanish” throughout the layers, preventing the network from learning long-range dependencies. Common ways to counter this problem is to use activation functions like ReLUs that do not suffer from small gradients, or use architectures like LSTMs that explicitly combat vanishing gradients. The opposite of this problem is called the exploding gradient problem.
+'''gradient vanishing problem'''
-•	On the difficulty of training recurrent neural networks
-<br>
-<br>
-<br>
+==Sources==
-Référence : https://openclassrooms.com/courses/utilisez-des-modeles-supervises-non-lineaires/empilez-les-perceptrons
+Source: Pascanu, Razvan (2015). ''On Recurrent and Deep Neural Networks'', thèse de doctorat, Université de Montréal, 267 pages.
-<br>
-<br>
+[https://openclassrooms.com/courses/utilisez-des-modeles-supervises-non-lineaires/empilez-les-perceptrons Source : ''openclassrooms.com'']
-<br>
-<br>
+[[Utilisateur:Claude COULOMBE | Source: Claude Coulombe]]            ([[Discussion utilisateur:Claude COULOMBE | discussion]])
+[[Utilisateur:Patrickdrouin  | Source: Termino  ]]
+[[Category:GRAND LEXIQUE FRANÇAIS]]