E (nombre)

Résumé

vignette|redresse|L’aire sous l’hyperbole est égale à 1 sur l’intervalle [1, e]. Le nombre e est la base des logarithmes naturels, c'est-à-dire le nombre défini par ln(e) = 1. Cette constante mathématique, également appelée nombre d'Euler ou constante de Néper en référence aux mathématiciens Leonhard Euler et John Napier, vaut environ 2,71828. Ce nombre est défini à la fin du , dans une correspondance entre Leibniz et Christian Huygens, comme étant la base du logarithme naturel. Autrement dit, il est caractérisé par la relation ln(e) = 1 ou de façon équivalente il est l'image de 1 par la fonction exponentielle, d'où la notation exp(x) = e. La décomposition de cette fonction en série entière mène à la définition de e par Euler comme somme de la série : Ce nombre apparaît aussi comme limite de la suite numérique de terme général \left(1+\frac1n\right)^n et dans de nombreuses formules en analyse telles que l'identité d'Euler e = −1 ou la formule de Stirling qui donne un équ

Source officielle

https://fr.wikipedia.org/wiki/E_(nombre)

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (9)

Publications associées

Chargement

Personnes associées (1)

Personnes associées

Chargement

Unités associées (1)

Unités associées

Chargement

Concepts associés (68)

Concepts associés

Chargement

Cours associés (25)

Cours associés

Chargement

Séances de cours associées (42)

Séances de cours associées

Chargement

Modélisation de la qualité des données: quelques concepts de base

Mounir Azouzi

1998

Chargement

Convex Optimization using Sparsified Stochastic Gradient Descent with Memory

Jean-Baptiste Francis Marie Juliette Cordonnier

The interest for distributed stochastic optimization has raised to train complex Machine Learning models with more data on distributed systems. Increasing the computation power speeds up the training but it faces a communication bottleneck between workers which hurts the scale-up of these distributed algorithms. Previous work tried to address this issue through quantization by broadcasting low precision updates (Seide et al., 2014; Alistarh et al., 2017) or through sparsification by sharing only the most important coordinates to update (Aji and Heafield, 2017; Lin et al., 2018). Even though the sparsifica- tion method works well in practice, it lacked a theoretical proof until now. We propose a sparsification scheme for SGD where only a small constant number of coordinates are applied at each iteration. The amount of data to be communicated is drastically reduced while the O(1/T ) convergence rate of vanilla SGD is preserved. Our concise proof extends to parallel setting and gains a linear speed up in the number of workers. We exper- iment with sparsified SGD with memory in C++ and Python, and show the excellent convergence properties for top-k and random-k operators. Our scheme outperforms QSGD in progress per number of bits sent. It also opens the path to using lock-free asynchronous parallelization (e.g. Hogwild! Niu et al. (2011)) on dense problems as the sparsity of the gradient updates is enforced.

2018

Chargement

We provide sharp conditions for the finiteness and the continuity of multimarginal optimal transport with repulsive cost, expressed in terms of a suitable concentration property of the measure. To achieve this result, we analyze the Kantorovich potentials of the optimal plans, and we estimate the distance of any optimal plan from the regions where the cost is infinite.

2019

Chargement