Dropout
Dropout er en stokastisk regulariseringsteknikk for trening av dype nevrale nettverk, introdusert av Srivastava, Hinton, Krizhevsky, Sutskever og Salakhutdinov i 2014. Under hvert treningstrinn blir hver nevron uavhengig slått av med sannsynlighet (1 − p), noe som forhindrer nettverket i å ko-adaptere sine enheter for tett og dermed redusere overtilpasning.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/no/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 NormalizationDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →