Différences

Ci-dessous, les différences entre deux révisions de la page.

--- equipes:rcln:ancien_wiki:mexique:week11 [2020/08/25 18:03]
garciaflores [II. Funciones de pérdida]
+++ equipes:rcln:ancien_wiki:mexique:week11 [2020/11/23 18:42] (Version actuelle)
garciaflores ↷ Page déplacée de equipes:rcln:mexique:week11 à equipes:rcln:ancien_wiki:mexique:week11
@@ Ligne 57: / Ligne 57: @@
 > "Si acumulas las capas de sigmoides en tu red. ésta no va a aprender de manera eficiente [...] en este caso debes poner mucha atención a la normalización"
 > "Para redes muy profundas, las funciones no lineales quebradas [como el rectificador] son más convenientes"
@@ Ligne 84: / Ligne 85: @@
 - ¿Qué es el [polinomio de Chebyshev](https://en.wikipedia.org/wiki/Chebyshev_polynomials)?
-  > "funciones no lineales parametrizables con polinomios de Chebyshev para aproximar bien la función"
-  - En un marco de [aprendizaje profundo geométrico](https://medium.com/@flawnsontong1/what-is-geometric-deep-learning-b2adb662d91d), el polinomio de Chebysev, se puede usar para [aproximar una función cuya complejidad representa un obstáculo para su cálculo](https://towardsdatascience.com/geometric-deep-learning-a-quick-tour-12cef72492ca).
+ > "funciones no lineales parametrizables con polinomios de Chebyshev para aproximar bien la función"
-  - ¿Qué son los *spring parameters*?
+- En un marco de [aprendizaje profundo geométrico](https://medium.com/@flawnsontong1/what-is-geometric-deep-learning-b2adb662d91d), el polinomio de Chebysev, se puede usar para [aproximar una función cuya complejidad representa un obstáculo para su cálculo](https://towardsdatascience.com/geometric-deep-learning-a-quick-tour-12cef72492ca).
+- ¿Qué son los *spring parameters*?
 - [Funciones monótonas](http://dev.worldpossible.org:81/wikipedia_es_all_2016-02/A/Funci%C3%B3n_mon%C3%B3tona.html) (o isótonas)
 - Momento lexicográfico: ¿cómo traducimos *kink*?
 {{:equipes:rcln:mexique:image-20200825075136196.png?400|}}
@@ Ligne 97: / Ligne 105: @@
 - ¿[Es la normalización por lotes incompatible con la función sigmoide](https://hackerstreak.com/batch-normalization-how-it-really-works/)?
 - [Softmax y temperatura](https://deepai.org/machine-learning-glossary-and-terms/softmax-layer) (en el marco de aprendizaje reforzado)
@@ Ligne 131: / Ligne 140: @@
 {{:equipes:rcln:mexique:image-20200825091642813.png?600|}}
+### Pérdida por divergencia KL
+{{:equipes:rcln:mexique:image-20200825091957439.png?600|}}
+### Pérdida por inmersión de coseno (*CosineEmbeddingLoss*)
+- Repaso de la [similaridad por coseno](https://deepai.org/machine-learning-glossary-and-terms/cosine-similarity)
+### Pérdida por clasificación temporal conexionista (CTC)
+{{:equipes:rcln:mexique:image-20200825092848209.png?600|}}
+{{:equipes:rcln:mexique:image-20200825092900969.png?600|}}
+{{:equipes:rcln:mexique:image-20200825092909993.png?600|}}
+{{:equipes:rcln:mexique:image-20200825093013892.png?600|}}
+**Vínculo hacia el [artículo](https://arxiv.org/abs/1512.02595) y el [código fuente](https://github.com/baidu-research/warp-ctc) correspondiente**