> 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:
