Dropout
Dropout je stohastička tehnika regularizacije za treniranje dubokih neuronskih mreža, koju su uveli Srivastava, Hinton, Krizhevsky, Sutskever i Salakhutdinov 2014. Tijekom svakog koraka treniranja, svaki se neuron neovisno isključuje s vjerojatnošću (1 − p), sprječavajući mrežu da previše usko prilagodi svoje jedinice i time smanjujući prekomjerno prilagođavanje.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/hr/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 →Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →