Dropout
Dropout és una tècnica de regularització estocàstica per entrenar xarxes neuronals profundes, introduïda per Srivastava, Hinton, Krizhevsky, Sutskever i Salakhutdinov el 2014. Durant cada pas d'entrenament, cada neurona s'apaga independentment amb probabilitat (1 − p), evitant que la xarxa co-adapti les seves unitats de manera massa estricta i reduint així el sobreajustament.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/ca/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.
- Normalització per lotsAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →