Dropout
Dropout เป็นเทคนิคการทำให้เป็นมาตรฐานแบบสุ่ม (stochastic regularization) สำหรับการฝึกโครงข่ายประสาทเทียมเชิงลึก (deep neural networks) ซึ่งนำเสนอโดย Srivastava, Hinton, Krizhevsky, Sutskever และ Salakhutdinov ในปี 2014 ในระหว่างขั้นตอนการฝึกแต่ละครั้ง แต่ละนิวรอนจะถูกปิดใช้งานโดยอิสระด้วยความน่าจะเป็น (1 − p) เพื่อป้องกันไม่ให้โครงข่ายปรับหน่วยของตนเองเข้าหากันอย่างแน่นหนาเกินไป และด้วยเหตุนี้จึงลดการเกิดภาวะเกินพอดี (overfitting)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/th/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 Normalizationการเรียนรู้เชิงลึก↔ compare