All translations
Enter a message name below to show all available translations.
Found 3 translations.
| Name | Current message text |
|---|---|
| h English (en) | * '''{{Term|batch normalization}}''': A method that normalizes each {{Term|scalar}} feature independently over the {{Term|mini-batch}}, using learnable scale and shift parameters to preserve representational {{Term|capacity}}. * '''Internal {{Term|covariate shift}} hypothesis''': Identification and formalization of the problem of shifting input distributions during training as a contributor to optimization difficulty. * '''Training acceleration''': Demonstration that {{Term|batch normalization}} enables 14x faster {{Term|convergence}} to the same {{Term|accuracy}} level on ImageNet, and allows the use of much higher {{Term|learning rate|learning rates}}. * '''{{Term|inception}}-{{Term|batch normalization|BN}} architecture''': A batch-normalized version of {{Term|googlenet}} ({{Term|inception}}) that exceeded the original's {{Term|accuracy}} and approached human-level performance on ImageNet. |
| h Spanish (es) | * '''{{Term|batch normalization|Normalización por lotes}}''': Un método que normaliza cada característica {{Term|scalar|escalar}} de forma independiente sobre el {{Term|mini-batch|minilote}}, utilizando parámetros aprendibles de escala y desplazamiento para preservar la {{Term|capacity|capacidad}} de representación. * '''Hipótesis del {{Term|covariate shift|desplazamiento de covariables}} interno''': Identificación y formalización del problema de las distribuciones de entrada cambiantes durante el entrenamiento como factor que contribuye a la dificultad de optimización. * '''Aceleración del entrenamiento''': Demostración de que la {{Term|batch normalization|normalización por lotes}} permite una {{Term|convergence|convergencia}} 14x más rápida al mismo nivel de {{Term|accuracy|exactitud}} en ImageNet, y permite el uso de {{Term|learning rate|tasas de aprendizaje}} mucho más altas. * '''Arquitectura {{Term|inception|Inception}}-{{Term|batch normalization|BN}}''': Una versión con normalización por lotes de {{Term|googlenet|GoogLeNet}} ({{Term|inception|Inception}}) que superó la {{Term|accuracy|exactitud}} original y se aproximó al rendimiento humano en ImageNet. |
| h Chinese (zh) | * '''{{Term|batch normalization|批归一化}}'''：一种在{{Term|mini-batch|小批量}}上独立归一化每个{{Term|scalar|标量}}特征的方法，使用可学习的缩放和平移参数以保持表征{{Term|capacity|容量}}。 * '''内部 {{Term|covariate shift|协变量偏移}}假说'''：对训练过程中输入分布漂移这一造成优化困难问题的识别与形式化。 * '''训练加速'''：证明{{Term|batch normalization|批归一化}}在 ImageNet 上达到相同{{Term|accuracy|准确率}}水平时{{Term|convergence|收敛}}速度提升 14 倍，并允许使用更高的{{Term|learning rate|学习率}}。 * '''{{Term|inception|Inception}}-{{Term|batch normalization|BN}} 架构'''：{{Term|googlenet|GoogLeNet}}（{{Term|inception|Inception}}）的批归一化版本，超越了原始模型的{{Term|accuracy|准确率}}，在 ImageNet 上接近人类水平表现。 |