Dropout
人工神經網絡的正則化方法
此條目需要精通或熟悉相關主題的編者參與及協助編輯。 (2019年12月11日) |
Dropout是Google提出的一種正則化技術[1]，用以在人工神經網絡中對抗過擬合。Dropout有效的原因，是它能夠避免在訓練數據上產生複雜的相互適應。[1]Dropout這個術語代指在神經網絡中丟棄部分神經元（包括隱藏神經元和可見神經元）。[2][3]在訓練階段，dropout使得每次只有部分網絡結構得到更新，因而是一種高效的神經網絡模型平均化的方法。[4]
 | 這是一篇與人工神經網絡相關的小作品。您可以透過編輯或修訂擴充其內容。 |
參考文獻
- ^ 1.0 1.1 [1],「System and method for addressing overfitting in a neural network」 （頁面存檔備份，存於互聯網檔案館） 存档副本. [2019-12-11]. 原始內容存檔於2021-07-25.
- ^ Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Jmlr.org. [July 26, 2015]. （原始內容存檔於2019-12-05）. 參數
|newspaper=與模板{{cite web}}不匹配（建議改用{{cite news}}或|website=） (幫助) - ^ Warde-Farley, David; Goodfellow, Ian J.; Courville, Aaron; Bengio, Yoshua. An empirical analysis of dropout in piecewise linear networks. 2013-12-20. arXiv:1312.6197
[stat.ML].
- ^ Hinton, Geoffrey E.; Srivastava, Nitish; Krizhevsky, Alex; Sutskever, Ilya; Salakhutdinov, Ruslan R. Improving neural networks by preventing co-adaptation of feature detectors. 2012. arXiv:1207.0580 [cs.NE].
