« Connexion résiduelle » : différence entre les versions


Aucun résumé des modifications
m (Remplacement de texte : « ↵↵<small> » par «  ==Sources==  »)
 
(37 versions intermédiaires par 4 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
__NOTOC__
==Définition==
== Domaine ==
Dans un réseau de neurones profond constitué de plusieurs couches de neurones, une connexion résiduelle (parfois appelée connexion identité ou connexion saute-couche) branche la sortie d’une couche moins profonde (en amont) pour l’ajouter à l’entrée d’une couche plus profonde du réseau (en aval) en sautant par dessus une ou plusieurs couches. Ceci permet d'éviter une ou plusieurs couches de traitement et une perte trop importante de gradient.
[[Category:Vocabulary]]Vocabulary<br />
[[Category:Intelligence artificielle]]Intelligence artificielle<br />
[[Catégorie:Apprentissage profond]] Apprentissage profond<br/>
[[Category:Coulombe]]Coulombe<br />


<br />
Voir: [[ResNet]]


== Définition ==
==Compléments==
Dans un réseau de neurones profond constitué de plusieurs couches, un saut de connexion est une connexion qui saute par dessus une ou plusieurs couches.
La connexion résiduelle permet d'ajouter une contribution (résiduelle) des couches inférieures avant la transformation du gradient (diminution ou augmentation) par les couches suivantes qui sont ainsi « sautées ».
<br />


== Français ==
En anglais, « skip connection » et « residual connection » sont synonymes.
== Français ==
<poll>
Choisissez parmi ces termes proposés :
saut de connexion
connexion saute-mouton
connexion résiduelle
</poll>
<h3>Discussion:</h3>
Pour le moment, le terme privilégié est «saut de connexion».
<br/>


<br />
==Français==
'''connexion résiduelle''' 


== Anglais ==
'''connexion saute-couche'''
===Skip connection ===
===[[Residual connection|Residual connection]] ===


'''connexion identité'''


<br/>Residual connections and skip connections are used interchangeably. <br />
'''saut de connexion''' 
These types of connections can skip multiple layers
<br/>
<br/>


<br/>
==Anglais==
<br/>
'''residual connection'''
<br/>
 
'''skip connection'''
 
'''identity connection'''
 
'''shortcut connection'''
 
==Sources==
 
 
Source: Orhan, Emin et Xaq Pitkow (2018). ''Skip Connections Eliminate Singularities'', Actes de la conférence ICLR 2018, 22 pages.
 
Source: Chabot, Florian (2017). ''Analyse fine 2D/3D de véhicules par réseaux de neurones profonds'', thèse de doctorat, Université Clermont Auvergne, 171 pages.
 
Source: Branchaud-Charron, Frédéric (2019). ''Estimation de complexité et localisation de véhicules à l’aide de l’apprentissage profond, mémoire de maîtrise'', Université de Sherbrooke, 151 pages.
 
[[Utilisateur:Patrickdrouin  | Source: Termino]]
 
[[Category:Intelligence artificielle]]
[[Catégorie:Apprentissage profond]]
[[Category:Termino 2019]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Dernière version du 27 janvier 2024 à 21:04

Définition

Dans un réseau de neurones profond constitué de plusieurs couches de neurones, une connexion résiduelle (parfois appelée connexion identité ou connexion saute-couche) branche la sortie d’une couche moins profonde (en amont) pour l’ajouter à l’entrée d’une couche plus profonde du réseau (en aval) en sautant par dessus une ou plusieurs couches. Ceci permet d'éviter une ou plusieurs couches de traitement et une perte trop importante de gradient.

Voir: ResNet

Compléments

La connexion résiduelle permet d'ajouter une contribution (résiduelle) des couches inférieures avant la transformation du gradient (diminution ou augmentation) par les couches suivantes qui sont ainsi « sautées ».

En anglais, « skip connection » et « residual connection » sont synonymes.

Français

connexion résiduelle

connexion saute-couche

connexion identité

saut de connexion

Anglais

residual connection

skip connection

identity connection

shortcut connection

Sources

Source: Orhan, Emin et Xaq Pitkow (2018). Skip Connections Eliminate Singularities, Actes de la conférence ICLR 2018, 22 pages.

Source: Chabot, Florian (2017). Analyse fine 2D/3D de véhicules par réseaux de neurones profonds, thèse de doctorat, Université Clermont Auvergne, 171 pages.

Source: Branchaud-Charron, Frédéric (2019). Estimation de complexité et localisation de véhicules à l’aide de l’apprentissage profond, mémoire de maîtrise, Université de Sherbrooke, 151 pages.

Source: Termino