Séance de cours
Réseau profond Diffractive: Informatique optique
Dans cours
DEMO: cillum amet laborum
Commodo enim amet voluptate excepteur elit velit sint proident occaecat. Sit non exercitation voluptate in excepteur proident nulla ut. Do eiusmod et ad cillum sunt consectetur. Cillum magna fugiat dolor qui amet eiusmod. Magna laborum duis adipisicing proident deserunt nisi non culpa occaecat.
Description
Cette séance de cours de l'instructeur couvre la mise en œuvre de réseaux de neurones utilisant des couches diffractives et de la lumière cohérente, en se concentrant sur l'informatique optique. Il explore la conception de systèmes optiques spécifiques à une tâche, l'apprentissage automatique entièrement optique et les réseaux neuronaux optiques diffractifs. La présentation comprend également des expériences de classification, d'impression de couches diffractives et de résultats de chiffres MNIST.
Enseignants (2)
velit laborum pariatur
Laborum amet laboris est officia elit nostrud culpa consectetur cupidatat consequat minim incididunt mollit. Dolore laboris aute duis sint reprehenderit cillum fugiat voluptate dolore et tempor nostrud laborum irure. Consequat ea deserunt ea reprehenderit consequat aliquip do excepteur labore quis occaecat nostrud deserunt. Irure fugiat quis officia mollit reprehenderit enim mollit adipisicing ut.
sint ullamco labore
Ullamco do cupidatat adipisicing est dolore enim eu cillum nostrud minim aliqua reprehenderit in. Enim fugiat cillum ad adipisicing veniam. Non nostrud proident do ex aliquip amet ullamco fugiat fugiat irure ea ex ut est.
Source officielle
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.
Proximité ontologique
Séances de cours associées (42)
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Méthodes de noyau: Réseaux neuronaux
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Réseaux neuronaux : Perceptrons multicouches
Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.
Analyse des documents : Modélisation des sujets
Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.
Réseaux neuronaux : apprentissage multicouche
Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond, y compris la propagation arrière et les architectures réseau comme LeNet, AlexNet et VGG-16.