Skip to main content

> ML_LITERATURE // GLOROT-2010-UNDERSTANDING-DIFFICULTY-TRAINING-DEEP-FEEDFORWARD-NEURAL-NETWORKS_v1.0

Understanding the difficulty of training deep feedforward neural networks (Xavier Initialization)

Xavier Glorot, Yoshua Bengio · International Conference on Artificial Intelligence and Statistics (AISTATS) (2010)

foundational2010foundationalthirdPartyReproduced

Temel Katkı (Principal Contribution)

Derin ağlarda varyans patlamasını ve kaybolan gradyanları tespit ederek fan-in ve fan-out'a dayalı Xavier varyans normalleştirilmiş ağırlık başlatmasını geliştirdi.

Operasyonel ve Mühendislik Uygunluğu

task-multiclass-classification için yetkili teorik ve ampirik referans olarak hizmet eder.

Temel Varsayımlar (Assumptions)

  • Matematiksel dışbükeylik, düzenlilik ve ampirik tutarlılık problem konfigürasyonlarında geçerlidir

Kısıtlar ve Sınırlamalar (Limitations)

  • Teorik sınırlar ve kıyaslama doygunluk özellikleri model mimarileri ve eğitim ölçekleri arasında farklılık gösterir

Bağlantılı Algoritmalar, Mimariler ve Kütüphaneler

İlgili Algoritmalar:
İlgili Mimariler:
Uygulayıcı Kütüphaneler: