Rete Neurale Residua (ResNet) - Cronologia

Mindmakerbot il 13:47, 17 ago 2024

2024-08-17T13:47:19Z

← Versione meno recente		Versione delle 13:47, 17 ago 2024
Riga 23:		Riga 23:
	\|title=Residual Neural Network		\|title=Residual Neural Network
	\|title_mode=append		\|title_mode=append
	\|keywords="reti neurali, deep learning, apprendimento profondo, classificazione immagini, ResNet, architettura ResNet, gradienti svanenti, accuratezza, convergenza, transformer"		\|keywords=reti neurali, deep learning, apprendimento profondo, classificazione immagini, ResNet, architettura ResNet, gradienti svanenti, accuratezza, convergenza, transformer
	\|description="Le Reti Neurali Residuali (ResNet) sono un'architettura di deep learning che ha rivoluzionato il campo della classificazione delle immagini. Introdotte nel 2015, le ResNet risolvono il problema dei gradienti svanenti, consentendo la creazione di reti molto profonde con prestazioni superiori. Scopri come funzionano e le loro applicazioni."		\|description=Le Reti Neurali Residuali (ResNet) sono un'architettura di deep learning che ha rivoluzionato il campo della classificazione delle immagini. Introdotte nel 2015, le ResNet risolvono il problema dei gradienti svanenti, consentendo la creazione di reti molto profonde con prestazioni superiori. Scopri come funzionano e le loro applicazioni.

	}}		}}

Mindmakerbot il 13:34, 17 ago 2024

2024-08-17T13:34:36Z

← Versione meno recente		Versione delle 13:34, 17 ago 2024
Riga 19:		Riga 19:

	[[Category:architettura]]		[[Category:architettura]]

			{{#seo:
			\|title=Residual Neural Network
			\|title_mode=append
			\|keywords="reti neurali, deep learning, apprendimento profondo, classificazione immagini, ResNet, architettura ResNet, gradienti svanenti, accuratezza, convergenza, transformer"
			\|description="Le Reti Neurali Residuali (ResNet) sono un'architettura di deep learning che ha rivoluzionato il campo della classificazione delle immagini. Introdotte nel 2015, le ResNet risolvono il problema dei gradienti svanenti, consentendo la creazione di reti molto profonde con prestazioni superiori. Scopri come funzionano e le loro applicazioni."

			}}

Alesaccoia il 22:40, 27 mag 2024

2024-05-27T22:40:19Z

← Versione meno recente		Versione delle 22:40, 27 mag 2024
Riga 9:		Riga 9:
	Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture molto profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.		Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture molto profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.

	Ha 152 livelli ~~e vince~~		Ha 152 livelli.

	Viene utilizzata per esempio nei [[transformer]].		Viene utilizzata per esempio nei [[transformer]].

Alesaccoia il 22:40, 27 mag 2024

2024-05-27T22:40:07Z

← Versione meno recente		Versione delle 22:40, 27 mag 2024
Riga 8:		Riga 8:
	}}		}}
	Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture molto profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.		Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture molto profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.

			Ha 152 livelli e vince

	Viene utilizzata per esempio nei [[transformer]].		Viene utilizzata per esempio nei [[transformer]].
Riga 13:		Riga 15:
	=== Links ===		=== Links ===
	[https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition]		[https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition]

			https://www.andreaprovino.it/resnet

	[[Category:architettura]]		[[Category:architettura]]

Alesaccoia il 15:11, 27 mag 2024

2024-05-27T15:11:48Z

← Versione meno recente		Versione delle 15:11, 27 mag 2024
Riga 1:		Riga 1:
	~~Nome: [[Nome::Rete Neurale Residua]]~~		{{template architettura
			\|NomeInglese=Residual Neural Network
	~~Nome Inglese: [[~~NomeInglese::Residual Neural Network]]		\|Sigla=ResNet
			\|AnnoDiCreazione=2015
	Sigla~~: [[Sigla::~~ResNet]]		\|Pubblicazione=Deep Residual Learning for Image Recognition
			\|URLHomePage=https://arxiv.org/abs/1512.03385
	~~Anno Di Creazione: [[~~AnnoDiCreazione::2015]]		\|Topic=Classificazione, Immagini, Reti neurali
			}}
	Pubblicazione~~: [[Pubblicazione::~~Deep Residual Learning for Image Recognition]]



	Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture molto profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.		Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture molto profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.

Riga 19:		Riga 15:

	[[Category:architettura]]		[[Category:architettura]]

	~~__SHOWFACTBOX__~~

Sara Maserati il 10:02, 10 apr 2024

2024-04-10T10:02:30Z

← Versione meno recente		Versione delle 10:02, 10 apr 2024
Riga 9:		Riga 9:
	Pubblicazione: [[Pubblicazione::Deep Residual Learning for Image Recognition]]		Pubblicazione: [[Pubblicazione::Deep Residual Learning for Image Recognition]]

	~~Topic: [[Topic::Le reti neurali residue agevolano l'addestramento di reti neurali profonde, soprattutto in ambito della computer vision e del deep learning]]~~

Sara Maserati il 14:21, 9 apr 2024

2024-04-09T14:21:54Z

@@ Riga 1: / Riga 1: @@
-Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture moldot profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.
+Nome: [[Nome::Rete Neurale Residua]]
 Viene utilizzata per esempio nei [[transformer]].
@@ Riga 7: / Riga 20: @@
 [[Category:architettura]]

Alesaccoia il 12:29, 1 apr 2024

2024-04-01T12:29:26Z

← Versione meno recente		Versione delle 12:29, 1 apr 2024
Riga 5:		Riga 5:
	=== Links ===		=== Links ===
	[https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition]		[https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition]

			[[Category:architettura]]

Alesaccoia: Creata pagina con "Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture moldot profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello. Viene utilizzata per esempio nei transformer...."

2024-04-01T12:28:47Z

Creata pagina con "Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture moldot profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello. Viene utilizzata per esempio nei transformer...."

Nuova pagina

Architettura di rete neurale, originariamente proposta nel [https://arxiv.org/abs/1512.03385 2015] in cui i pesi nei layer imparano una funzione residuale invece che la trasformazione finale. Questo permette ai gradienti di fluire meglio nelle architetture moldot profonde, risolvendo il problema dei gradienti che svaniscono o che esplodono e quindi aumentando l'accuratezza e la probabilità di convergenza del modello.

Viene utilizzata per esempio nei [[transformer]].

=== Links ===
[https://arxiv.org/abs/1512.03385 Deep Residual Learning for Image Recognition]