Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Überanpassung verhindern
Wie bei jedem Modell für maschinelles Lernen ist beim Training eines Convolutional Neural Networks die Überanpassung ein wichtiges Problem: Ein Modell, das so auf die Besonderheiten der Trainingsdaten abgestimmt ist, dass es nicht auf neue Beispiele verallgemeinert werden kann. Zwei Methoden, um beim Erstellen einer CNN ein Überanpassen zu verhindern, sind:
Datenerweiterung: Die Vielfalt und Anzahl der Trainingsbeispiele wird künstlich erhöht, indem an vorhandenen Bildern zufällige Transformationen vorgenommen werden, um eine Reihe neuer Varianten zu erstellen (siehe Abbildung 7). Die Datenerweiterung ist besonders nützlich, wenn der ursprüngliche Trainingsdatensatz relativ klein ist.
Dropout-Regelungsmechanismus: Beim Training werden Einheiten zufällig aus dem neuronalen Netzwerk entfernt.
Abbildung 7. Datenaugmentation an einem einzelnen Hundebild (Auszug aus dem Dataset „Hunde gegen Katzen“, das auf Kaggle verfügbar ist). Links: Originalbild eines Hundes aus dem Trainings-Dataset.
Rechts: Neun neue Bilder, die aus dem Originalbild mithilfe von zufälligen Transformationen generiert wurden.
[null,null,["Zuletzt aktualisiert: 2025-01-18 (UTC)."],[[["\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|"]]
Abbildung 7. Datenaugmentation an einem einzelnen Hundebild (Auszug aus dem Dataset „Hunde gegen Katzen“, das auf Kaggle verfügbar ist). Links: Originalbild eines Hundes aus dem Trainings-Dataset.
Rechts: Neun neue Bilder, die aus dem Originalbild mithilfe von zufälligen Transformationen generiert wurden.