Απόρριψη (Dropout)
Η απόρριψη (dropout) είναι μια στοχαστική τεχνική κανονικοποίησης για την εκπαίδευση βαθιών νευρωνικών δικτύων, που εισήχθη από τους Srivastava, Hinton, Krizhevsky, Sutskever και Salakhutdinov το 2014. Κατά τη διάρκεια κάθε βήματος εκπαίδευσης, κάθε νευρώνας απενεργοποιείται ανεξάρτητα με πιθανότητα (1 − p), αποτρέποντας το δίκτυο από την υπερβολικά στενή συν-προσαρμογή των μονάδων του και μειώνοντας έτσι την υπερπροσαρμογή.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/el/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.
- Κανονικοποίηση ΔέσμηςΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →