כמו בכל מודל של למידת מכונה, אחת מהבעיות העיקריות באימון רשת עצבית קונבולוציונית היא התאמה יתר: מודל שמותאם באופן כה מדויק לפרטים הספציפיים של נתוני האימון, עד שהוא לא מסוגל להכליל דוגמאות חדשות. שתי שיטות למניעת התאמה יתר בזמן בניית רשת CNN הן:
הגדלת נפח הנתונים: הגדלת המגוון ומספר הדוגמאות לאימון באופן מלאכותי על ידי ביצוע טרנספורמציות אקראיות לתמונות קיימות כדי ליצור קבוצה של וריאציות חדשות (ראו איור 7). הגדלת נפח הנתונים שימושית במיוחד כשקבוצת נתוני האימון המקורית קטנה יחסית.
Dropout regularization: הסרה אקראית של יחידות מרשת העצבים במהלך שלב אימון של שיפוע.
איור 7. הגדלת נפח הנתונים בתמונה אחת של כלב (קטע ממערך הנתונים 'כלבים מול חתולים' שזמין ב-Kaggle). שמאל: תמונה מקורית של כלב מתוך קבוצת האימון.
ימין: תשע תמונות חדשות שנוצרו מהתמונה המקורית באמצעות טרנספורמציות אקראיות.
[null,null,["עדכון אחרון: 2025-01-18 (שעון UTC)."],[[["Overfitting in convolutional neural networks can be mitigated by using techniques like data augmentation and dropout regularization."],["Data augmentation involves creating variations of existing training images to increase dataset diversity and size, which is particularly helpful for smaller datasets."],["Dropout regularization randomly removes units during training to prevent the model from becoming overly specialized to the training data."],["When dealing with large datasets, the need for dropout regularization diminishes and the impact of data augmentation is reduced."]]],[]]
איור 7. הגדלת נפח הנתונים בתמונה אחת של כלב (קטע ממערך הנתונים 'כלבים מול חתולים' שזמין ב-Kaggle). שמאל: תמונה מקורית של כלב מתוך קבוצת האימון.
ימין: תשע תמונות חדשות שנוצרו מהתמונה המקורית באמצעות טרנספורמציות אקראיות.