Dropout
Dropout is een stochastische regularisatietechniek voor het trainen van diepe neurale netwerken, geïntroduceerd door Srivastava, Hinton, Krizhevsky, Sutskever en Salakhutdinov in 2014. Tijdens elke trainingsstap wordt elke neuron onafhankelijk uitgeschakeld met kans (1 − p), waardoor het netwerk voorkomt dat zijn eenheden te strak co-adapteren en daardoor overfitting wordt verminderd.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/nl/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 NormalizationDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →