@erinparro_travel: Switzerland has river surfing, and it’s in Thun Surfers ride standing waves on the Aare River right through the city. There are two river-surfing waves here, which was definitely not what I expected to come across in Switzerland Would you have guessed this was Switzerland? #riversurfing #thunswitzerland #switzerlandtravel #swizterland #travel

Erin Parro | Travel & Chicago
Erin Parro | Travel & Chicago
Open In TikTok:
Region: US
Monday 17 August 2026 13:25:38 GMT
1137
70
7
5

Music

Download

Comments

travellightwithlisa
Travel Light With Lisa ✈️ :
Wow didn’t realize Switzerland had similar place to Munich!
2026-08-17 22:39:07
1
mamedeetravelworld
Mame Dee Travel World :
This is SO cool. I'll be there on Wednesday so im looking forward to seeing this.
2026-08-18 03:03:24
1
kalarusmc1v
Zoe-Ronaldo :
amazing
2026-08-18 00:49:29
1
vanessavaysfeld
Vane|Travels✈️ 🌎 :
Wow amazing
2026-08-17 14:08:27
1
To see more videos from user @erinparro_travel, please go to the Tikwm homepage.

Other Videos

¡El dolor de cabeza de muchos! - 𝗘𝗹 𝗮𝗹𝗴𝗼𝗿𝗶𝘁𝗺𝗼 𝗱𝗲 𝗿𝗲𝘁𝗿𝗼𝗽𝗿𝗼𝗽𝗮𝗴𝗮𝗰𝗶𝗼́𝗻 tiene como objetivo entregarnos el vector de gradientes que no es más que un vector que contiene la derivada parcial de la perdida respecto a cada uno de los parámetros de la red, este proceso lo dividiré en dos secciones: retropropagación en las capas densas y retropropagación en las capas convolucionales. - 𝗥𝗲𝘁𝗿𝗼𝗽𝗿𝗼𝗽𝗮𝗴𝗮𝗰𝗶𝗼́𝗻 𝗲𝗻 𝗰𝗮𝗽𝗮𝘀 𝗱𝗲𝗻𝘀𝗮: Empecemos encontrando el 𝗲𝗿𝗿𝗼𝗿 𝗲𝗻 𝗰𝗮𝗱𝗮 𝗰𝗮𝗽𝗮, este se obtiene tomando el error y multiplicándolo por la transpuesta de la matriz de pesos, luego tomamos cada elemento y se multiplica por la derivada de la función de activación. - Luego para calcular el 𝗲𝗿𝗿𝗼𝗿 𝗱𝗲 𝗰𝗮𝗱𝗮 𝗽𝗲𝘀𝗼, se toma el error de la capa y se realiza el producto externo con la activación de la capa anterior. - 𝗥𝗲𝘁𝗿𝗼𝗽𝗿𝗼𝗽𝗮𝗴𝗮𝗰𝗶𝗼́𝗻 𝗲𝗻 𝗰𝗮𝗽𝗮𝘀 𝗰𝗼𝗻𝘃𝗼𝗹𝘂𝗰𝗶𝗼𝗻𝗮𝗹𝗲𝘀: Empecemos 𝗰𝗮𝗹𝗰𝘂𝗹𝗮𝗻𝗱𝗼 𝗲𝗹 𝗲𝗿𝗿𝗼𝗿 𝗲𝗻 𝗰𝗮𝗱𝗮 𝗳𝗶𝗹𝘁𝗿𝗼, aquí tomamos el mapa de características que la capa recibió en el forward pass y lo convolucionamos con el gradiente de la perdida que viene de la capa siguiente. - Luego tomamos de nuevo el gradiente de la perdida y lo convolucionamos con el kernel original rotado 180° para obtener 𝗲𝗹 𝗴𝗿𝗮𝗱𝗶𝗲𝗻𝘁𝗲 𝗱𝗲 𝗹𝗮 𝗲𝗻𝘁𝗿𝗮𝗱𝗮. - Finalmente utilizamos el vector de gradientes para movilizarnos en sentido contrario con el optimizador. Este proceso se realiza una y otra vez mediante épocas de entrenamiento.
¡El dolor de cabeza de muchos! - 𝗘𝗹 𝗮𝗹𝗴𝗼𝗿𝗶𝘁𝗺𝗼 𝗱𝗲 𝗿𝗲𝘁𝗿𝗼𝗽𝗿𝗼𝗽𝗮𝗴𝗮𝗰𝗶𝗼́𝗻 tiene como objetivo entregarnos el vector de gradientes que no es más que un vector que contiene la derivada parcial de la perdida respecto a cada uno de los parámetros de la red, este proceso lo dividiré en dos secciones: retropropagación en las capas densas y retropropagación en las capas convolucionales. - 𝗥𝗲𝘁𝗿𝗼𝗽𝗿𝗼𝗽𝗮𝗴𝗮𝗰𝗶𝗼́𝗻 𝗲𝗻 𝗰𝗮𝗽𝗮𝘀 𝗱𝗲𝗻𝘀𝗮: Empecemos encontrando el 𝗲𝗿𝗿𝗼𝗿 𝗲𝗻 𝗰𝗮𝗱𝗮 𝗰𝗮𝗽𝗮, este se obtiene tomando el error y multiplicándolo por la transpuesta de la matriz de pesos, luego tomamos cada elemento y se multiplica por la derivada de la función de activación. - Luego para calcular el 𝗲𝗿𝗿𝗼𝗿 𝗱𝗲 𝗰𝗮𝗱𝗮 𝗽𝗲𝘀𝗼, se toma el error de la capa y se realiza el producto externo con la activación de la capa anterior. - 𝗥𝗲𝘁𝗿𝗼𝗽𝗿𝗼𝗽𝗮𝗴𝗮𝗰𝗶𝗼́𝗻 𝗲𝗻 𝗰𝗮𝗽𝗮𝘀 𝗰𝗼𝗻𝘃𝗼𝗹𝘂𝗰𝗶𝗼𝗻𝗮𝗹𝗲𝘀: Empecemos 𝗰𝗮𝗹𝗰𝘂𝗹𝗮𝗻𝗱𝗼 𝗲𝗹 𝗲𝗿𝗿𝗼𝗿 𝗲𝗻 𝗰𝗮𝗱𝗮 𝗳𝗶𝗹𝘁𝗿𝗼, aquí tomamos el mapa de características que la capa recibió en el forward pass y lo convolucionamos con el gradiente de la perdida que viene de la capa siguiente. - Luego tomamos de nuevo el gradiente de la perdida y lo convolucionamos con el kernel original rotado 180° para obtener 𝗲𝗹 𝗴𝗿𝗮𝗱𝗶𝗲𝗻𝘁𝗲 𝗱𝗲 𝗹𝗮 𝗲𝗻𝘁𝗿𝗮𝗱𝗮. - Finalmente utilizamos el vector de gradientes para movilizarnos en sentido contrario con el optimizador. Este proceso se realiza una y otra vez mediante épocas de entrenamiento.

About