Bırakma ve Stokastik Düzenlileştirme
Bırakma, her eğitim adımı sırasında nöronların bir kısmını rastgele kapatan ve ağı yedekli, sağlam temsiller oluşturmaya zorlayan bir düzenleme hilesidir.
Genel Bakış
It became one of the most influential techniques for fighting overfitting in deep learning.
Derin Dalış
Hinton'un grubu tarafından 2012 civarında tanıtılan ayrılma, büyük ağların önemli bir zayıflığını giderir: nöronlar birlikte uyum sağlayabilir, birbirlerinin hatalarını yalnızca eğitim verileri üzerinde çalışacak şekilde düzeltmeyi öğrenebilirler. Eğitim sırasındaki her ileri geçişte, bırakma, her nöronun çıktısını belirli bir p olasılığıyla (yoğun katmanlarda genellikle 0,5) rastgele sıfıra ayarlar. Herhangi bir nöron yok olabileceği için ağ, kırılgan ortaklıklara dayanamaz ve yararlı bilgileri birçok birime yaymak zorundadır. Bu, ağırlıkları paylaşan çok sayıda inceltilmiş ağ topluluğunun eğitilmesi gibi davranır. Test zamanında bırakma kapatılır ve aktivasyonlar beklenen çıktının eğitimle eşleşeceği şekilde ölçeklendirilerek tam ağ kullanılır. Sonuç, biraz daha uzun bir eğitim pahasına genellikle daha iyi bir genellemedir.
Teknik Bilgi
Eğitim sırasında her birim rastgele bir ikili maske yoluyla (1 eksi p) olasılıkla tutulur, böylece her partide farklı alt ağlar örneklenir. Modern çerçeveler ters çevrilmiş bırakmayı kullanır: hayatta kalan aktivasyonlar eğitim zamanında (1 eksi p)'ye bölünür, dolayısıyla çıkarımda ölçeklendirme gerekmez. Bu rastlantısallık, ortak adaptasyonu engelleyen ve ucuz bir birleştirme biçimi olan üstel sayıda paylaşılan ağırlıklı alt ağ üzerinden ortalamaya yaklaşan gürültüyü enjekte eder.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Bırakmanın Geleceği ve Stokastik Düzenlileştirme
Evrişimli görüş ağlarında, toplu normalleştirme, standart bırakmanın büyük ölçüde yerini aldı, ancak varyantlar başka yerlerde de gelişiyor: transformatörler, dikkat ve ileri besleme katmanlarına bırakma uygular ve DropPath (stokastik derinlik) tüm kalan blokları düşürür. Çıkarımda bırakmayı aktif tutan Monte Carlo bırakma, model belirsizliğini tahmin etmek için kullanılır. Stokastik düzenlemenin, tek bir sabit tarif yerine mimariye göre uyarlanan esnek bir araç seti olarak kalmasını bekleyin.
Gerçek Dünya Uygulaması
PyTorch veya Keras'ta bir görüntünün veya metin sınıflandırıcının yoğun katmanları arasına p değeri yaklaşık 0,5 olan bir Bırakma katmanı ekleme
Ön eğitim sırasında dikkat ağırlıklarına ve ileri besleme aktivasyonlarına bırakma uygulayan transformatör modelleri
Tıbbi veya güvenlik açısından kritik tahminler için belirsizlik tahminleri üretmek üzere çıkarımda bırakmanın devam ettiği Monte Carlo bırakma
ResNet'ler ve görüntü transformatörleri gibi çok derin ağları düzenli hale getirmek için artık blokları rastgele atlayan Stokastik derinlik (DropPath)
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Bırakma ve Stokastik Düzenlemenin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Dropout and Stochastic Regularization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Momentumlu Stokastik Gradyan İnişi
Sık sorulan sorular
What is Dropout and Stochastic Regularization?
Bırakma, her eğitim adımı sırasında nöronların bir kısmını rastgele kapatan ve ağı yedekli, sağlam temsiller oluşturmaya zorlayan bir düzenleme hilesidir. Derin öğrenmede aşırı uyumla mücadelede en etkili tekniklerden biri haline geldi.
Eğitim sırasında okulu bırakma ne yapar?
Bırakma, eğitim sırasında her nöronu p olasılığıyla rastgele sıfırlar, böylece her adımda farklı bir inceltilmiş alt ağ kullanılır.
Bırakma neden genellemeyi geliştirir?
Birimleri rastgele çıkararak, ayrılma, nöronların yalnızca eğitim verileri üzerinde çalışan kırılgan ortaklıklar kurmasını engelleyerek sağlamlığı artırır.
Test (çıkarım) zamanında okulu bırakmaya ne olur?
Çıkarımda tüm ağ, bırakma devre dışı bırakılarak çalışır ve aktivasyonlar, beklenen çıktıların eğitim dağıtımıyla eşleşeceği şekilde ölçeklendirilir.
Bir katmanda p = 0,5'lik bir ayrılma oranı kabaca eğitim sırasında ne anlama gelir?
P = 0,5 ile her nöronun sıfırlanma şansı yüzde 50'dir, yani ileri geçiş başına ortalama yarısı düşürülür.
Genellikle yaklaşma olarak tanımlanan ayrılma nedir?
Her adımda farklı bir alt ağı örneklemek, ucuz bir birleştirme biçimi olan, üstel sayıda paylaşılan ağırlıklı ağ üzerinden ortalamaya yaklaşır.