تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
منع فرط التخصيص
كما هو الحال مع أي نموذج تعلُّم آلي، فإنّ أحد المخاوف الرئيسية عند تدريب شبكة عصبية مرتّبة
هو الملاءمة الزائدة: وهو نموذج تم ضبطه وفقًا لتفاصيل
البيانات التدريبية لدرجة أنّه لا يمكنه التعميم على الأمثلة الجديدة. في ما يلي طريقتان لتجنُّب التطابق المفرط عند إنشاء شبكة عصبية تلافعية:
زيادة البيانات: زيادة التنوع وعدد مثاليّات التدريب بشكل مصطنع من خلال إجراء عمليات تحويل عشوائية للصور الحالية لإنشاء مجموعة من الصيغ الجديدة (راجِع الشكل 7). تكون ميزة "تعزيز البيانات" مفيدة بشكلٍ خاص
عندما تكون مجموعة بيانات التدريب الأصلية صغيرة نسبيًا.
تسويف الإزالة: إزالة وحدات عشوائيًا من الشبكة العصبية
أثناء خطوة تدريب التدرج.
الشكل 7. زيادة البيانات
على صورة كلب واحدة (مقتطف من مجموعة بيانات"الكلاب مقابل القطط"
المتوفّرة على Kaggle) اليسار: صورة الكلب الأصلية من مجموعة التدريب
على اليمين: تسع صور جديدة تم إنشاؤها من الصورة الأصلية باستخدام
عمليات تحويل عشوائية.
تاريخ التعديل الأخير: 2025-01-18 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-01-18 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eOverfitting in convolutional neural networks can be mitigated by using techniques like data augmentation and dropout regularization.\u003c/p\u003e\n"],["\u003cp\u003eData augmentation involves creating variations of existing training images to increase dataset diversity and size, which is particularly helpful for smaller datasets.\u003c/p\u003e\n"],["\u003cp\u003eDropout regularization randomly removes units during training to prevent the model from becoming overly specialized to the training data.\u003c/p\u003e\n"],["\u003cp\u003eWhen dealing with large datasets, the need for dropout regularization diminishes and the impact of data augmentation is reduced.\u003c/p\u003e\n"]]],[],null,["# ML Practicum: Image Classification\n\n\u003cbr /\u003e\n\nPreventing Overfitting\n----------------------\n\nAs with any machine learning model, a key concern when training a convolutional\nneural network is *overfitting*: a model so tuned to the specifics of the\ntraining data that it is unable to generalize to new examples. Two techniques to\nprevent overfitting when building a CNN are:\n\n- **Data augmentation**: artificially boosting the diversity and number of training examples by performing random transformations to existing images to create a set of new variants (see Figure 7). Data augmentation is especially useful when the original training data set is relatively small.\n- **Dropout regularization**: Randomly removing units from the neural network during a training gradient step.\n\n| For more on dropout regularization, see [Training Neural Nets using Backpropagation](https://developers.google.com/machine-learning/crash-course/neural-networks/backpropagation) in [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course/).\n\n*Figure 7. Data augmentation\non a single dog image (excerpted from the [\"Dogs vs. Cats\" dataset](https://www.kaggle.com/c/dogs-vs-cats/data)\navailable on Kaggle). **Left** : Original dog image from training set.\n**Right**: Nine new images generated from original image using random\ntransformations.*\n| Overfitting is more of a concern when working with smaller training data sets. When working with big data sets (e.g., millions of images), applying dropout is unnecessary, and the value of data augmentation is also diminished.\n| **Key Terms**\n|\n| |---------------------------------------------------------|-------------------------------------------------------------------------------|\n| | - data augmentation | - [dropout regularization](/machine-learning/glossary#dropout_regularization) |\n| | - [overfitting](/machine-learning/glossary#overfitting) |\n|"]]
الشكل 7. زيادة البيانات
على صورة كلب واحدة (مقتطف من مجموعة بيانات"الكلاب مقابل القطط"
المتوفّرة على Kaggle) اليسار: صورة الكلب الأصلية من مجموعة التدريب
على اليمين: تسع صور جديدة تم إنشاؤها من الصورة الأصلية باستخدام
عمليات تحويل عشوائية.