Répartition des poids dans un MLP

Bonjour,

J'ai à nouveau une question à poser.
Je suis un train de développer un programme permettant de simuler un perceptron multi-couche. C'est en implémentant la dernière ligne de la fonction d'apprentissage que je me suis rendu compte qu'il y a un point sur lequel je ne suis pas totalement OK.

L'algorithme utilisé par Alp dans son tutoriel indique clairement

Code:

---

Pour tout poids w_ij <- w_ij + epsilon*di*x_ij finPour

---

Il est difficile d'exprimer ma question, voici un bref schéma :

http://img651.imageshack.us/img651/8725/simplet.png

Ma question est alors simplement la suivante : le poids de la connexion bleu est-il forcément égal au poids de la connexion rouge ?

Jusqu'à présent je pensais que c'était oui, mais plus je réfléchis et plus je trouve ce raisonnement absurde. Le problème étant que mon programme n'a pas du tout été construit dans l'optique d'intégrer une différence de poids pour des informations ayant la même "provenance". Toutefois, cela n'engage que moi. :aie:

Merci pour votre lecture et aide prochaine.

Courieux.

Bonjour,

Chaque Neurone possède des poids de connexions "indépendants" des autres Neurones, donc la connexion rouge est différente de la bleu. Mais ça ne veut pas dire que les poids ne peuvent pas avoir la même valeur, tout dépend de l'apprentissage.

A+

Citation:

---

Envoyé par Bucketpc

Bonjour,

Chaque Neurone possède des poids de connexions "indépendants" des autres Neurones, donc la connexion rouge est différente de la bleu. Mais ça ne veut pas dire que les poids ne peuvent pas avoir la même valeur, tout dépend de l'apprentissage.

A+

---

Bonjour Bucketpc,

Merci, c'était la confirmation que j'attendais. Cependant, pour être sûr de ne plus faire de bêtise, la valeur de l'information renvoyée par un neurone est elle, la même pour toutes les connexions ?

Bonne journée.

La valeur de sortie d'un neurone dépend directement de la fonction d'activation utilisée et la somme pondérée des entrées.

Comme les neurones de "la même couche" ont des poids de connexions différents, la valeur de sortie de chaque neurone va être différente pour chaque neurone. Cependant, ça veut pas dire qu'il peut pas y avoir des sorties similaires.

(La sortie est propre au neurone, la connexion n'a pas de sortie) ;)

Citation:

---

Envoyé par Bucketpc

La valeur de sortie d'un neurone dépend directement de la fonction d'activation utilisée et la somme pondérée des entrées.

Comme les neurones de "la même couche" ont des poids de connexions différents, la valeur de sortie de chaque neurone va être différente pour chaque neurone. Cependant, ça veut pas dire qu'il peut pas y avoir des sorties similaires.

(La sortie est propre au neurone, la connexion n'a pas de sortie) ;)

---

Merci de nouveau pour ta réponse. Seulement, je crois que j'ai mal exprimé ma question. En considérant les connexions bleues et rouges comme des sortie d'un neurone, j'ai donc compris que le poids de ces connexions ne sont pas forcément égale, mais qu'en est-il de la valeur de l'information ?

Merci. :)

Si j'ai bien compris votre question alors,

Si vous considérez que les entrées sont les sorties des neurones de la couche précédente, alors la connexion rouge et bleu sont multiplier par la même valeur qui est la sortie du neurone précédent.

Citation:

---

Envoyé par Bucketpc

Si j'ai bien compris votre question alors,

Si vous considérez que les entrées sont les sorties des neurones de la couche précédente, alors la connexion rouge et bleu sont multiplier par la même valeur qui est la sortie du neurone précédent.

---

Tu as effectivement bien compris ma question.
En deux mots : milles merci Bucketpc. :D :D :D

:merci: