قطع تصادفی
Dropout یک تکنیک تنظیم (regularization) تصادفی برای آموزش شبکههای عصبی عمیق است که توسط Srivastava، Hinton، Krizhevsky، Sutskever و Salakhutdinov در سال ۲۰۱۴ معرفی شد. در طول هر مرحله آموزش، هر نورون به طور مستقل با احتمال (۱ − p) خاموش میشود و از انطباق بیش از حد نزدیک واحدهای شبکه جلوگیری کرده و در نتیجه بیشبرازش (overfitting) را کاهش میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/fa/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.
Compare side by side →ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →