The Road Less Scheduled

The Road Less Scheduled

👥 Integrantes:

• 👤 Juan José Calderón.
• 👤 Julián David León Quintero.

📑 Material de apoyo:

• 📊 Diapositivas: VerDisponibles presentacionespronto :)
• 📜 Paper: The Road Less Scheduled
• 💻 Código externo: Repositorio de código

📌 Normas Generales

🚫 No subir imágenes ni archivos, solo enlaces. Puedes usar Imgur para subir imágenes. (Eliminar esta sección luego de leerla)

En esta wiki se documenta el procesamiento de imágenes con un enfoque en el código. Se incluyen explicaciones detalladas, fragmentos de código y enlaces a recursos externos.

---

📂 Recursos Clave

📎 Aquí puedes encontrar enlaces importantes relacionados con el tema:

👥 Integrantes:

• 👤 [Nombre 1]
• 👤 [Nombre 2]

🎓 Tutor(es):

• 👨‍🏫 [Nombre 1]
• 👩‍🏫 [Nombre 2]

---

🎯 Objetivos

📢 En esta sección se definen los objetivos de la sesión:

✅ ¿Por qué es importante este tema?
✅ ¿Qué se espera lograr duranteComprender la sesión?brecha teoría-práctica en optimización, especialmente en métodos como Polyak-Ruppert y los schedules de tasa de aprendizaje.

✅ Posibilidad de respuesta a la pregunta principal: ¿Existen métodos de promediado que igualen el rendimiento práctico de los schedules, sin perder las garantías teóricas?

✅ Obtener la intuición del diseño del método Schedule-Free: las ecuaciones clave, el papel del promedio de línea, y el momentum generalizado.

✅ Analizar las garantías teóricas de los teoremas usados y cómo resuelven limitaciones de los métodos previos a este.

---

📊 Resultados Esperados

📍 Esta sección describe de manera general lo que se espera obtener alAl final de la sesión, los asistentes podrán:

🔹 MayorEntender comprensiónpor qué Schedule-Free elimina la necesidad de schedules y cómo aprovecha el promedio dinámico para convergencia robusta.

🔹 Diferenciar entre Polyak-Ruppert, Primal Averaging y Linear Decay como casos especiales del temaTeorema tratado.
2: Online-to-Batch generalizado.

🔹 IdentificaciónComprender deel conceptosimpacto clave.
del 🔹parámetro Recopilación de información relevante para futuras implementaciones.

---

⚙️ Metodología

📖 Aquí se explicarán todos los temas tratadosbeta en la sesiónestabilidad cony mayor detalle. Esta sección se completará despuésvelocidad de la sesión e incluirá:convergencia.

📌 Explicaciones detalladas del proceso.
📌 Análisis de los conceptos presentados.
📌 Ejemplos prácticos y fragmentos de código.

💡 Ejemplo de código en Python:

import cv2
import matplotlib.pyplot as plt

imagen = cv2.imread(".images/ejemplo.png")
plt.imshow(cv2.cvtColor(imagen, cv2.COLOR_BGR2RGB))
plt.show()

📷 Uso de imágenes
⚠️ Solo utilizar imágenes disponibles en internet debido a las limitaciones de almacenamiento.

🖼️ Ejemplo de imagen adjunta:

📌 También puedes ajustar el tamaño y alineación de las imágenes:

📊 Ejemplo de tabla:

📌 A	📌 B	📌 C
✔️ Uno	Texto de prueba	🔍

---

📚 Referencias Clave

📖 Esta sección recopila enlaces a recursos relevantes sobre procesamiento de imágenes:

🔹 📘 DocumentaciónTeoría: dePolyak OpenCV(1990), Cesa-Bianchi et al. (2004).
🔹 📘Momentum: 📘Nesterov Guía(2018), deSutskever NumPyet al. (2013).
🔹 🦾 Implementación: 📄Repo ArtículoSchedule-Free.
sobre🔹 procesamiento🏆 deEvaluación: imágenesMLCommons AlgoPerf (2024)