本頁面由 Cloud Translation API 翻譯而成。

機器學習實務：圖片分類

避免過度配適

與任何機器學習模型一樣，訓練卷積神經網路時，主要須注意過度配適問題：模型會根據訓練資料的特定內容進行調整，因此無法推廣至新示例。以下是兩種避免過度擬合 CNN 的做法：

資料擴增：對現有圖片執行隨機轉換，藉此人為地增加訓練範例的多樣性和數量，以建立一組新的變化版本 (請見圖 7)。當原始訓練資料集較小時，資料擴增功能就特別實用。
Dropout 規則：在訓練梯度步驟中隨機移除類神經網路中的單位。

單張狗狗圖像資料擴增的示意圖，透過隨機轉換產生 9 張新圖片圖 7. 針對單一狗狗圖片進行資料增強 (摘錄自 Kaggle 提供的「Dogs vs. Cats」資料集)。左側：訓練集的原始狗狗圖片。右圖：使用隨機轉換功能，從原始圖片產生九張新圖片。