Dropout
Dropout е стохастична техника за регуляризация при обучение на дълбоки невронни мрежи, въведена от Srivastava, Hinton, Krizhevsky, Sutskever и Salakhutdinov през 2014 г. По време на всяка стъпка от обучението всеки неврон се изключва независимо с вероятност (1 − p), което предотвратява прекалено тясното съвместно адаптиране на единиците в мрежата и по този начин намалява преобучението.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15, 1929–1958. link ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 7: Regularization for Deep Learning). MIT Press. ISBN: 978-0-262-03561-3
Как да цитирате тази страница
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/bg/deep-learning/dropout
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Нормализация по мини-партиди (Batch Normalization)Дълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →