Initialisation et critères d'arrêt
Partir bien et savoir quand stopper.
Partir de zéro n'est pas neutre
En régression linéaire, w = 0 convient. En réseau symétrique, des zéros identiques bloquent l'apprentissage : on initialise aléatoirement petit (ex. Xavier/He vus en deep). Notez toujours la graine.
Quand arrêter
Perte train qui ne baisse plus, norme du gradient minuscule, ou mieux : perte validation qui remonte (surapprentissage). Fixez un budget max d'itérations et gardez le meilleur modèle sur validation, pas le dernier.
Pas de correction en ligneConfrontez votre code aux résultats attendus du cours.