Dropout
Dropout é uma técnica de regularização estocástica para o treinamento de redes neurais profundas, introduzida por Srivastava, Hinton, Krizhevsky, Sutskever e Salakhutdinov em 2014. Durante cada etapa de treinamento, cada neurônio é desligado independentemente com probabilidade (1 − p), impedindo que a rede coadapte suas unidades de forma muito rígida e, assim, reduzindo o overfitting.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/pt/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.
- Normalização por LoteAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →