Düzenlileştirme teknikleri, modelin görünmez verilere genelleştirme yeteneğini geliştirmek ve geliştirmek için derin bir öğrenmede gereklidir. Etkili düzenlileştirme yöntemleri çeşitli görevlerde daha sağlam ve doğru modellere yol açabilir.
Dropout
Dropout, eğitim sırasında rastgele bir nöronların alt setini devre dışı bırakmak için popüler bir düzenlileştirme tekniğidir.Bu, nöronların ko-adaptingten olmasını ve ağın daha sağlam özellikleri geliştirmesini sağlar. Tipik olarak, oran oranları 0,5 ile 0,5 arasında değişir.
Kilo Decay
Ağırlık çürümesi, L2 düzenlileştirme olarak da bilinir, Adam veya ASLA gibi optimizasyon algoritmaları ile birlikte daha az yatkın olan büyük ağırlıkları azaltır.Bu, ağırlıkların büyüklüğüne göre bir ceza terimini ekler.Bu, yüksek ağırlıkları azaltır ve aşırı yüklemeye eğilimli olan modelleri daha az tutar.
Data Augmentation
Veri augmentasyon, rotasyon, ölçeklendirme veya dönüş gibi dönüşümler yoluyla ek eğitim örnekleri oluşturmak içerir. Bu teknik, eğitim verilerin çeşitliliğini artırır, modelin daha genel özellikleri öğrenmesine ve aşırı yüklemesine yardımcı olur.
Erken Durma
Erken durak, eğitim sırasında geçerli bir şekilde modelin performansını izler. Geçerlilik performansı ilerledikçe, eğitim durdurulur. Bu, eğitim verilerinin aşırı yüklenmesini ve genelleştirme yeteneklerinin korunmasına yardımcı olur.