Cabit
Cabit ialah satu teknik regularisasi stokastik untuk melatih rangkaian saraf dalam, diperkenalkan oleh Srivastava, Hinton, Krizhevsky, Sutskever, dan Salakhutdinov pada tahun 2014. Semasa setiap langkah latihan, setiap neuron secara bebas dimatikan dengan kebarangkalian (1 − p), menghalang rangkaian daripada menyesuaikan unitnya terlalu ketat dan dengan itu mengurangkan lampau suai.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/ms/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.
- Normalisasi KelompokPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →