Dropout
Dropout — це стохастична техніка регуляризації для навчання глибоких нейронних мереж, представлена Сріваставою, Хінтоном, Кріжевським, Сатскевером та Салахутдіновим у 2014 році. Під час кожного кроку навчання кожен нейрон незалежно вимикається з імовірністю (1 − p), що запобігає надто тісній взаємоадаптації одиниць мережі та, таким чином, зменшує перенавчання.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Dropout Regularization for Deep Neural Networks. ScholarGate. https://scholargate.app/uk/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.
- Нормалізація батчаГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →