Pourquoi la méthode avec l'inertie est mieux que l'algorithme de descente de gradient pour un problème d'apprentissage non-convexe?

Quand nous avons appliqué l'algorithme de descente de gradient  sur un problème de classification de 5 catégories, nous observons l’évolution de loss (la valeur de la fonction de perte) et l'évolution de la précision de test comme marqué dans les plots.

Qu'est-ce que nous devons faire maintenant?

Dans un système de coordonnées cartésiennes, le gradient d'une fonction

L'algorithme de descente de gradient nous permet de trouver les coefficients optimum pour tous type de problèmes d'apprentissage.

Est-ce que ce réseau est un réseau de neurones à propagation directe ?

Quel sont les avantages d'utiliser un réseau de neurone convolutif au lieu d'un réseau de neurone entièrement connectée pour classifier les images?

Suppose qu'on va appliquer une couche convolutif sur une image

en

couleurs

Quand nous appliquons le filtre avec stride = 2 et padding = 0 sur l'image, quelle est la valeur maximum dans la matrice obtenue ?