Scribd
Importer
6 vues7 pages

Introduction au Deep Learning et ses Limites

Le document aborde les limitations des perceptrons et des perceptrons multicouches, soulignant la difficulté de déterminer leur architecture. Il met en avant les avantages des réseaux de neurones convolutifs (CNN) pour l'apprentissage des caractéristiques d'images et les limites des réseaux de neurones récurrents (RNN) en termes de convergence et de traitement de séquences. Enfin, il mentionne les réseaux antagonistes génératifs (GAN) comme une méthode d'apprentissage non supervisé.

Transféré par

Abdelghaffour Mouhsine
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
6 vues7 pages

Introduction au Deep Learning et ses Limites

Le document aborde les limitations des perceptrons et des perceptrons multicouches, soulignant la difficulté de déterminer leur architecture. Il met en avant les avantages des réseaux de neurones convolutifs (CNN) pour l'apprentissage des caractéristiques d'images et les limites des réseaux de neurones récurrents (RNN) en termes de convergence et de traitement de séquences. Enfin, il mentionne les réseaux antagonistes génératifs (GAN) comme une méthode d'apprentissage non supervisé.

Transféré par

Abdelghaffour Mouhsine
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Pour le neurone d'indice j :

les entrées sur celui-ci sont de poids wji


les connexions avales sont de poids wkj
!!! utilisée dans les cartes autoorganisatrices de Kohonen
Limitation du perceptron :
Les perceptrons ne permettent de représenter que des fonctions linéairement séparables.

Pb du PMC (Perceptron multicouche ) : déterminer l’architecture du réseau


▪ le nombre de couches cachées ?
▪ le nombre de neurones de chaque couche cachée ?
Généralement :
◦ Pas de règles pour le nombre des neurones des couches cachée

 Apprentissage supervisé
L'avantage des CNN par rapport aux autres algorithmes de classification :
▪ le CNN apprend les meilleures caractéristiques pour représenter les objets
dans les images.
▪ CNN a une capacité de généralisation élevée, étant capable de classer
précisément de nouveaux exemples avec seulement quelques exemples dans
l'ensemble de formation.
Limites de RNN simples :
▪ Lent convergence, Court Mémoire  …Ne fonctionne pas
▪ Les RNN ne peuvent pas être empilés
(RNNs cannot be stacked up)
▪ Etapes d’apprentissage sont lentes et complexes
▪ Difficulté à traiter des séquences plus longues
GAN : apprentissage non
supervisé

Vous aimerez peut-être aussi