Dropout
Dropout ist eine stochastische Regularisierungstechnik zum Trainieren tiefer neuronaler Netze, die 2014 von Srivastava, Hinton, Krizhevsky, Sutskever und Salakhutdinov eingeführt wurde. Bei jedem Trainingsschritt wird jedes Neuron unabhängig voneinander mit der Wahrscheinlichkeit (1 − p) abgeschaltet, was verhindert, dass das Netzwerk seine Einheiten zu eng anpasst und dadurch Überanpassung reduziert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/de/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.
- Batch-NormalisierungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →