เครือข่ายประสาท เป็นเครื่องมือที่มีประสิทธิภาพมากในการแก้ปัญหาที่ซับซ้อน แต่ยังสามารถฝึกข้อมูลได้มากเกินไปด้วย โดยลดความสามารถในการขยายข้อมูลไปยังข้อมูลใหม่ เทคนิคการสร้างปกติ ช่วยควบคุมความซับซ้อนของแบบจําลอง และปรับปรุงประสิทธิภาพบนข้อมูลที่มองไม่เห็น บทความนี้สํารวจวิธีการพื้นฐานที่ใช้ในการฝึกอบรมเครือข่ายประสาท

ออกจากระบบ

การปล่อยออกมาเป็นเทคนิคที่เซลล์ ประสาทที่เลือกอย่างสุ่มถูกละเลยระหว่างการฝึก ซึ่งป้องกันเซลล์ประสาทจากการแตกตัวของกลุ่มและส่งเสริมให้เครือข่ายพัฒนาคุณสมบัติที่ทนทานมากขึ้น ระหว่างการทดสอบ เซลล์ประสาททั้งหมดถูกใช้ แต่ผลลัพธ์ของเซลล์ประสาทนั้นถูกปรับขนาดเพื่อใช้ในการปล่อยออกไประหว่างการฝึกซ้อม

น้ํา หนัก

การสลายตัวของน้ําหนักเพิ่มโทษต่อฟังก์ชันการสูญเสีย โดยเพิ่มขนาดของน้ําหนัก ซึ่งทําให้น้ําหนักตัวมากจนทําให้สามารถลดได้ ปกติแล้ว L2 จะใช้ค่าปกติ ซึ่งโทษสัดส่วนเท่ากับจํานวนน้ําหนักกําลังสอง

การใช้งานข้อมูล

การ ปรับ ปรุง ข้อมูล เพิ่ม ความ หลาก หลาย ของ ข้อมูล การ ฝึก อบรม โดย การ ใช้ การ เปลี่ยน แปลง ต่าง ๆ เช่น การ หมุน, การ แปล, หรือ การ ขยาย.

หยุดชั่วคราว

การหยุดก่อนการติดตามผลงานของโมเดลในการจัดลําดับระหว่างการฝึก การฝึกจะหยุดการทํางานเมื่อประสิทธิภาพหยุดการทํางาน

รายงานสรุปเทคโนโลยีแบบปกติ

  • [FLT: 0] ดั ดั ดั สุ่มไม่สนใจเซลล์ประสาทระหว่างการฝึก
  • [FLT: 0] WEight December: เพนตาลซ์น้ําหนักตัวโตเพื่อป้องกันการกินมากเกินไป
  • [FLT: 0] Data Augmentment: ขยายข้อมูลการอบรมกับการแปลง (FLT:1).
  • [FLT: 0] หยุดเล่น: หยุดการฝึกเมื่อการแสดงผ่านกระบวนการยุติธรรม (Sculation Perfors).