« Astuce de centrage » : différence entre les versions


m (Remplacement de texte — « <small> loc. nom. masc. </small> » par « <small> masculin </small> »)
Aucun résumé des modifications
Balise : Éditeur de wikicode 2017
Ligne 1 : Ligne 1 :
== Définition ==
== Définition ==
Les machines de Boltzmann profonde centrée sont en théorie capables d'apprendre des représentations efficaces de données apparemment complexes.  
Les machines de Boltzmann profondes centrées sont en théorie capables d'apprendre des représentations efficaces de données apparemment complexes.  


L'astuce de centrage consiste à réécrire l'énergie du système en fonction des états centrés. L'astuce de centrage améliore le conditionnement du problème d'optimisation sous-jacent et rend l'apprentissage plus stable, conduisant à des modèles avec de meilleures propriétés génératives et discriminantes.
L'astuce de centrage consiste à réécrire l'énergie du système en fonction des états centrés. L'astuce de centrage améliore le conditionnement du problème d'optimisation sous-jacent et rend l'apprentissage plus stable, conduisant à des modèles avec de meilleures propriétés génératives et discriminantes.
Ligne 23 : Ligne 23 :


[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:Apprentissage profond]]
[[Catégorie:Apprentissage profond]]
[[Catégorie:Scotty2]]

Version du 13 novembre 2020 à 08:52

Définition

Les machines de Boltzmann profondes centrées sont en théorie capables d'apprendre des représentations efficaces de données apparemment complexes.

L'astuce de centrage consiste à réécrire l'énergie du système en fonction des états centrés. L'astuce de centrage améliore le conditionnement du problème d'optimisation sous-jacent et rend l'apprentissage plus stable, conduisant à des modèles avec de meilleures propriétés génératives et discriminantes.

Français

Astuce de centrage masculin

Machine de Boltzmann profonde centrée féminin

Anglais

Centering trick

Centered deep Boltzmann machine


Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 page 663

Source : springer.com