Dropout Regularization for Deep Neural Networks
דמיינו חברה שבה כל עובד מדלג באופן אקראי על עבודה בכל יום נתון. כדי לתפקד למרות היעדרויות, כל מחלקה לומדת לפעול מבלי להסתמך על אדם יחיד – כל עובד הופך ורסטילי יותר. Dropout מיישם את אותה לוגיקה ברשת נוירונים: על ידי השתקת נוירונים באופן אקראי במהלך האימון, הרשת אינה יכולה להישען על קבוצה קבועה של יחידות כדי להעביר את האות. כל תת-רשת שנוצרת חייבת לפתור את המשימה בעצמה, וממוצע על פני כל תת-הרשתות הללו בזמן הבדיקה מניב מנבא חזק ומווסת היטב.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/he/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.
- נרמול אצווהלמידה עמוקה↔ compare