All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	* Use pretrained models (transfer learning) when labelled data is limited. * Prefer small kernels (<math>3 \times 3</math>) stacked in depth — two <math>3 \times 3</math> layers have the same receptive field as one <math>5 \times 5</math> layer but with fewer parameters. * Apply batch normalisation after convolution and before activation. * Use data augmentation generously to reduce [[Overfitting and Regularization\|overfitting]]. * Replace fully connected layers with global average pooling to reduce parameters.
^h Spanish (es)	* Utiliza modelos preentrenados (transfer learning) cuando los datos etiquetados son limitados. * Prefiere kernels pequeños (<math>3 \times 3</math>) apilados en profundidad — dos capas <math>3 \times 3</math> tienen el mismo campo receptivo que una capa <math>5 \times 5</math>, pero con menos parámetros. * Aplica batch normalisation después de la convolución y antes de la activación. * Utiliza data augmentation con generosidad para reducir el [[Overfitting and Regularization\|sobreajuste]]. * Sustituye las capas totalmente conectadas por global average pooling para reducir parámetros.
^h Chinese (zh)	* 当标注数据有限时，使用预训练模型（迁移学习）。 * 优先选择小卷积核（<math>3 \times 3</math>）的深度堆叠——两个 <math>3 \times 3</math> 层的感受野与一个 <math>5 \times 5</math> 层相同，但参数更少。 * 在卷积之后、激活之前应用批归一化（batch normalisation）。 * 充分使用数据增强（data augmentation）以减少[[Overfitting and Regularization\|过拟合]]。 * 用全局平均池化替代全连接层以减少参数。