با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
جلوگیری از نصب بیش از حد
مانند هر مدل یادگیری ماشینی، یکی از نگرانی‌های کلیدی هنگام آموزش شبکه عصبی کانولوشن ، بیش از حد برازش است: مدلی که به قدری با مشخصات داده‌های آموزشی تنظیم شده است که قادر به تعمیم آن به نمونه‌های جدید نیست. دو روش برای جلوگیری از نصب بیش از حد در هنگام ساخت CNN عبارتند از:
تقویت داده ها : افزایش مصنوعی تنوع و تعداد نمونه های آموزشی با انجام تبدیل های تصادفی به تصاویر موجود برای ایجاد مجموعه ای از انواع جدید (شکل 7 را ببینید). افزایش داده ها به ویژه زمانی مفید است که مجموعه داده های آموزشی اصلی نسبتاً کوچک باشد.
تنظیم حذف : حذف تصادفی واحدها از شبکه عصبی در طول یک مرحله گرادیان آموزشی.
شکل 7. افزایش داده ها در یک تصویر سگ منفرد (برگرفته از مجموعه داده "سگ ها در مقابل گربه ها" موجود در Kaggle). سمت چپ : تصویر سگ اصلی از مجموعه آموزشی. سمت راست : نه تصویر جدید از تصویر اصلی با استفاده از تبدیل‌های تصادفی ایجاد شده است.
تاریخ آخرین بهروزرسانی 2025-01-18 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-01-18 بهوقت ساعت هماهنگ جهانی."],[[["\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|"]]
شکل 7. افزایش داده ها در یک تصویر سگ منفرد (برگرفته از مجموعه داده "سگ ها در مقابل گربه ها" موجود در Kaggle). سمت چپ : تصویر سگ اصلی از مجموعه آموزشی. سمت راست : نه تصویر جدید از تصویر اصلی با استفاده از تبدیل‌های تصادفی ایجاد شده است.