[it] cs-229-deep-learning #78
Conversation
|
Thank you for your work @proceduralia! It seems that questions 50-54 of the template are missing, could you please also take a look at them? |
|
I added them. |
shervinea
added
reviewer wanted
|
Thank you very much for your hard work @proceduralia! Now, let's wait for another native speaker to come and review the translation. |
|
|
||
| **6. By noting i the ith layer of the network and j the jth hidden unit of the layer, we have:** | ||
|
|
||
| ⟶ Dato i i-esimo livello della rete e j j-esima unità nascosta del livello, abbiamo: |
There was a problem hiding this comment.
Si potrebbero aggiungere delle virgole:
Dati i, i-esimo livello della rete, e j, j-esima unità nascosta del livello, abbiamo:
Oppure (forse meglio) riformulare:
Dati i e j, ripsettivmente i-esimo livello della rete e j-esima unità nascosta del livello, abbiamo:
There was a problem hiding this comment.
Forse sarebbe più opportuno usare:
**6. Osservando i, il livello i-esimo della rete neurale, e j come l'unita j-esima nascosta del livello, otteniamo:
Seppur la traduzione riportata sopra è comunque valida
|
|
||
| **10. Cross-entropy loss ― In the context of neural networks, the cross-entropy loss L(z,y) is commonly used and is defined as follows:** | ||
|
|
||
| ⟶ Funzione di perdita entropia incrociata ― In ambito reti neurali, l'entropia incrociata L(z,y) è comunemente usata ed è definita come segue: |
There was a problem hiding this comment.
Andrebbe bene anche:
Nel contesto delle reti neurali, l'entropia incrociata L(z,y) è ...
|
Hi @proceduralia, please feel free to take a look at @giuseppe-testa's comments and incorporate any changes, if applicable. That way, we'll be able to move forward with the merge! |
|
Hi dear all, I could review them if you are still waiting for some reviews. Let me know the procedures on how to operate. Should I open a new Pull requests on both the topics 'Deep Learnint etc' or confirm the changes per each opened [it] pull requests? Thanks. |
|
|
||
| **6. By noting i the ith layer of the network and j the jth hidden unit of the layer, we have:** | ||
|
|
||
| ⟶ Dato i i-esimo livello della rete e j j-esima unità nascosta del livello, abbiamo: |
There was a problem hiding this comment.
Forse sarebbe più opportuno usare:
**6. Osservando i, il livello i-esimo della rete neurale, e j come l'unita j-esima nascosta del livello, otteniamo:
Seppur la traduzione riportata sopra è comunque valida
|
|
||
| **10. Cross-entropy loss ― In the context of neural networks, the cross-entropy loss L(z,y) is commonly used and is defined as follows:** | ||
|
|
||
| ⟶ Funzione di perdita entropia incrociata ― In ambito reti neurali, l'entropia incrociata L(z,y) è comunemente usata ed è definita come segue: |
|
|
||
| **15. Step 1: Take a batch of training data.** | ||
|
|
||
| ⟶ Passo 1: Prendere un gruppo di dati per l'apprendimento. |
There was a problem hiding this comment.
Errato, training data non corrisponde all'apprendimento, bensì ai dati dell'addestramento.
**15: Passo 1: Prende un gruppo di dati dell'addestramento.
|
|
||
| **23. It is usually done after a fully connected/convolutional layer and before a non-linearity layer and aims at allowing higher learning rates and reducing the strong dependence on initialization.** | ||
|
|
||
| ⟶ È solitamente utilizzata dopo un livello completamente connesso o convoluzionale e prima di una non linearità e mira a consentire maggiori tassi di apprendimento e a ridurre la forte dipendenza dall'inizializzazione. |
There was a problem hiding this comment.
È di solito utilizzata dopo un livello convoluzionale o complementamente connesso, e prima di un livello non lineare, e mira a consentire maggiori tassi di apprendimento e a ridurre la forte dipendenza dell'inizializzazione.
No description provided.