Dropout
Dropout to stochastyczna technika regularyzacji stosowana w treningu głębokich sieci neuronowych, wprowadzona przez Srivastava, Hinton, Krizhevsky, Sutskever i Salakhutdinov w 2014 roku. Podczas każdego kroku treningowego każdy neuron jest niezależnie wyłączany z prawdopodobieństwem (1 − p), co zapobiega zbyt ścisłemu współdostosowaniu się jednostek sieci i tym samym redukuje nadmierne dopasowanie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/pl/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.
- Normalizacja wsadowaUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →