Apprentissage profond à partir de zéro

Chapitre 2. Les principes de base

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans le chapitre 1, j'ai décrit la principale composante conceptuelle permettant de comprendre le Deep Learning : les fonctions imbriquées, continues et différentiables. J'ai montré comment représenter ces fonctions sous forme de graphes informatiques, chaque nœud d'un graphe représentant une fonction simple et unique. En particulier, j'ai démontré qu'une telle représentation permettait de calculer facilement la dérivée de la sortie de la fonction imbriquée par rapport à son entrée : il suffit de prendre les dérivées de toutes les fonctions constitutives, d'évaluer ces dérivées à l'entrée que ces fonctions ont reçue, puis de multiplier tous les résultats ensemble ; il en résultera une dérivée correcte pour la fonction imbriquée en raison de la règle de l'enchaînement. J'ai montré que cela fonctionnait effectivement avec quelques exemples simples, avec des fonctions qui prenaient ndarrays de NumPy comme entrée et produisaient ndarrays comme sortie.

J'ai montré que cette méthode de calcul des dérivées fonctionne même lorsque la fonction prend plusieurs ndarrays comme entrées et les combine via une opération de multiplication matricielle qui, contrairement aux autres opérations que nous avons vues, modifie la forme de ses entrées. Plus précisément, si l'une des entrées de cette opération - appelée entrée X - est une