Teacher Forcing (Reti Neurali): differenze tra le versioni
(Creata pagina con "Una tecnica di ottimizzazione per i modelli autoregressivi in cui l'output del time-step precedente viene sostituito con l'output atteso, nel caso in cui questo sia conosciuto, aumentando le probabilità che il modello converga e diminuendo il tempo di training. === Links === https://machinelearningmastery.com/teacher-forcing-for-recurrent-neural-networks/ Category:tecnica") |
Nessun oggetto della modifica |
||
| (4 versioni intermedie di 3 utenti non mostrate) | |||
| Riga 1: | Riga 1: | ||
{{Template concetto | |||
|NomeInglese=Teacher Forcing | |||
}} | |||
Una tecnica di ottimizzazione per i modelli autoregressivi in cui l'output del time-step precedente viene sostituito con l'output atteso, nel caso in cui questo sia conosciuto, aumentando le probabilità che il modello converga e diminuendo il tempo di training. | Una tecnica di ottimizzazione per i modelli autoregressivi in cui l'output del time-step precedente viene sostituito con l'output atteso, nel caso in cui questo sia conosciuto, aumentando le probabilità che il modello converga e diminuendo il tempo di training. | ||
| Riga 6: | Riga 9: | ||
https://machinelearningmastery.com/teacher-forcing-for-recurrent-neural-networks/ | https://machinelearningmastery.com/teacher-forcing-for-recurrent-neural-networks/ | ||
{{#seo: | |||
|title=Teacher Forcing | |||
|title_mode=append | |||
|keywords=modelli autoregressivi, ottimizzazione, time-step, output, training, apprendimento automatico, reti neurali, convergenza | |||
|description=Il Teacher Forcing è una tecnica di ottimizzazione utilizzata per i modelli autoregressivi. Invece di utilizzare l'output del time-step precedente, questa tecnica utilizza l'output atteso (se conosciuto) per aumentare le probabilità di convergenza del modello e ridurre il tempo di training. | |||
}} | |||
Versione attuale delle 13:47, 17 ago 2024
| Teacher Forcing (Reti Neurali) | |
|---|---|
| Nome Inglese | Teacher Forcing |
| Sigla | |
Una tecnica di ottimizzazione per i modelli autoregressivi in cui l'output del time-step precedente viene sostituito con l'output atteso, nel caso in cui questo sia conosciuto, aumentando le probabilità che il modello converga e diminuendo il tempo di training.
Links
https://machinelearningmastery.com/teacher-forcing-for-recurrent-neural-networks/