Normalisation par lots
La normalisation par lots est une technique d'entraînement introduite par Sergey Ioffe et Christian Szegedy en 2015 qui normalise les sorties de pré-activation de chaque couche en utilisant la moyenne et la variance calculées sur le mini-lot courant. En stabilisant la distribution d'entrée de chaque couche tout au long de l'entraînement, elle réduit considérablement le décalage interne des covariables, permettant l'utilisation de taux d'apprentissage plus élevés et rendant les réseaux profonds plus rapides et plus fiables.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Ioffe, S. & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. Proceedings of the 32nd International Conference on Machine Learning (ICML), PMLR 37, 448–456. link ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (Ch. 8). MIT Press. ISBN: 978-0-262-03561-3
- Ioffe, S. & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. arXiv preprint arXiv:1502.03167. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/fr/deep-learning/batch-normalization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →