Dropout
Dropout on stokastinen regularisointitekniikka syvien neuroverkkojen kouluttamiseen. Sen esittelivät Srivastava, Hinton, Krizhevsky, Sutskever ja Salakhutdinov vuonna 2014. Jokaisen koulutusaskeleen aikana jokainen neuroni kytketään itsenäisesti pois päältä todennäköisyydellä (1 − p), mikä estää verkkoa mukauttamasta yksiköitään liian tiiviisti toisiinsa ja vähentää siten ylisovitusta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/fi/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 NormalizationSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →