Durgunluk normalleştirme, mikro ağlarda aşırılık önlemek için kullanılan bir tekniktir. Eğitim sırasında rastgele bir nöronların alt kümesini bozar, bu makale, düşmenin nasıl yapıldığını, ve sinir ağ performansı üzerindeki etkisini açıklar.
Dropout Düzenlilaştırmayı Anlamak
Dropout, her eğitim sırasında sıfıra kadar bir nöron çıktı oranını rastgele ayarlar.Bu, nöronların belirli özellikler üzerinde aşırı bağımlı hale gelmesini ve ağın daha sağlam temsillerini geliştirmesini sağlar.
Hesaplamalar Dropout
Eğitim sırasında, her nöron olasılık ile korunur:0)p) bir nöronurFLT:2)[Dönden sonra hesaplanan )
[FONT:0])[DÜDÜT:2)[[Üye: 3)[Üye: 4))[Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye)[Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye)
[FONT:0][Dönemli: 1) ve 0 (ya dalı) (gödül)) (küresel)) ve 0 (yaralı))))))))))))))))))))) ve 0 (geçmiş))))))))))))))))))))))))))))))))))))))))))))
Neural Network Generalization üzerinde Etkisi
Bitmenin uygulanması, modelin aşırı yükleme ve test veri kümeleri üzerinde genelleştirilmesini geliştirir.Bu, verideki gürültü ve varyasyonlara daha dirençli hale getirir. Sonuç olarak, düşüş modelleri genellikle geçerlilik ve test veri setleri üzerinde daha iyi performans gösterir.
- Belirli nöronlara olan bağımlılığı azaltır
- Encourages Güçlü özellik öğrenme
- Decreas Overfitting
- Test doğruluklarını iyileştirir