VolgendeVolgende gids
Stochastische gradiëntdaling met momentum
Grondbeginselen
Basisprincipes GIDS
Drop-out is een regularisatietruc die tijdens elke trainingsstap willekeurig een fractie van de neuronen uitschakelt, waardoor het netwerk wordt gedwongen redundante, robuuste representaties op te bouwen.
Luister naar deze gidsAI-verteld · ~2 min
Het werd een van de meest invloedrijke technieken om overfitting in deep learning te bestrijden.
Drop-out, geïntroduceerd door de groep van Hinton rond 2012, pakt een belangrijke zwakte van grote netwerken aan: neuronen kunnen zich gezamenlijk aanpassen en leren elkaars fouten te herstellen op een manier die alleen op de trainingsgegevens werkt. Bij elke voorwaartse beweging tijdens de training stelt drop-out de output van elk neuron willekeurig in op nul met een bepaalde waarschijnlijkheid p (vaak 0,5 in dichte lagen). Omdat elk neuron kan verdwijnen, kan het netwerk niet steunen op fragiele partnerschappen en moet het nuttige informatie over vele eenheden verspreiden. Dit werkt als het trainen van een enorm ensemble van uitgedunde netwerken die gewichten delen. Tijdens de test wordt de uitval uitgeschakeld en wordt het volledige netwerk gebruikt, waarbij de activeringen worden geschaald zodat de verwachte output overeenkomt met de training. Het resultaat is doorgaans een betere generalisatie ten koste van een iets langere training.
Een drop-outlaag toevoegen met p rond 0,5 tussen dichte lagen van een afbeeldings- of tekstclassificator in PyTorch of Keras
Transformer-modellen passen uitval toe op aandachtsgewichten en feed-forward-activaties tijdens de voortraining
Voortijdige uitval in Monte Carlo, waarbij de uitval blijft hangen bij gevolgtrekkingen om onzekerheidsschattingen te maken voor medische of veiligheidskritische voorspellingen
Stochastische diepte (DropPath) waarbij restblokken willekeurig worden overgeslagen om zeer diepe netwerken zoals ResNets en vision-transformatoren te regulariseren
In convolutionele visienetwerken heeft batchnormalisatie de standaarduitval grotendeels verdrongen, maar varianten gedijen elders: transformatoren passen uitval toe op aandachts- en feed-forward-lagen, en DropPath (stochastische diepte) laat hele restblokken vallen. Monte Carlo-uitval, die de uitval actief houdt bij gevolgtrekkingen, wordt gebruikt om de modelonzekerheid te schatten. Verwacht dat stochastische regularisatie een flexibele toolkit blijft, aangepast per architectuur in plaats van een enkel vast recept.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Drop-out is een regularisatietruc die tijdens elke trainingsstap willekeurig een fractie van de neuronen uitschakelt, waardoor het netwerk wordt gedwongen redundante, robuuste representaties op te bouwen. Het werd een van de meest invloedrijke technieken om overfitting in deep learning te bestrijden.
Bij drop-out wordt elk neuron tijdens de training willekeurig op nul gezet met waarschijnlijkheid p, zodat bij elke stap een ander uitgedund subnetwerk wordt gebruikt.
Door willekeurig eenheden te verwijderen, voorkomt uitval dat neuronen fragiele partnerschappen vormen die alleen werken aan trainingsgegevens, waardoor de robuustheid wordt verbeterd.
Bij gevolgtrekking draait het volledige netwerk met uitgeschakelde uitval, en worden activeringen geschaald zodat de verwachte output overeenkomt met de trainingsdistributie.
Met p = 0,5 heeft elk neuron een kans van 50 procent om op nul te worden gezet, dus gemiddeld valt ongeveer de helft weg per voorwaartse passage.
Door elke stap een ander subnetwerk te bemonsteren, benadert u het gemiddelde over een exponentieel aantal netwerken met gedeeld gewicht, een vorm van goedkope samenvoeging.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Stochastische gradiëntdaling met momentum
Grondbeginselen