Dropout
Dropout ir stohastiska regularizācijas metode dziļu neironu tīklu apmācībai, ko 2014. gadā ieviesa Srivastava, Hinton, Krizhevsky, Sutskever un Salakhutdinov. Katrā apmācības solī katrs neirons tiek neatkarīgi izslēgts ar varbūtību (1 − p), tādējādi novēršot tīkla vienību pārāk ciešu savstarpēju adaptāciju un samazinot pārmācīšanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/lv/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.
- Batču normalizācijaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →