Her makine öğrenimi modelinde olduğu gibi, bir konvolüsyonel sinir ağını eğitirken de aşırı uyum önemli bir sorundur. Aşırı uyum, modelin eğitim verilerinin özelliklerine o kadar uyum sağlamasıdır ki yeni örneklere genelleme yapamaz. Bir CNN oluştururken aşırı uyumu önlemek için kullanılabilecek iki teknik vardır:
Veri artırma: Yeni varyantlar oluşturmak için mevcut resimlerde rastgele dönüşümler gerçekleştirerek eğitim örneklerinin çeşitliliğini ve sayısını yapay olarak artırma (Şekil 7'ye bakın). Veri artırma, özellikle orijinal eğitim veri kümesi nispeten küçük olduğunda faydalıdır.
Düşme düzenlemesi: Bir eğitim gradyan adımı sırasında nöral ağdan rastgele birimler kaldırma.
Şekil 7. Tek bir köpek resminde veri artırma (Kaggle'da bulunan "Köpekler ve Kediler" veri kümesinden alınmıştır). Sol: Eğitim veri kümesinden orijinal köpek resmi.
Sağ: Rastgele dönüşümler kullanılarak orijinal resimden oluşturulan dokuz yeni resim.
[null,null,["Son güncelleme tarihi: 2025-01-18 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."]]],[]]
Şekil 7. Tek bir köpek resminde veri artırma (Kaggle'da bulunan "Köpekler ve Kediler" veri kümesinden alınmıştır). Sol: Eğitim veri kümesinden orijinal köpek resmi.
Sağ: Rastgele dönüşümler kullanılarak orijinal resimden oluşturulan dokuz yeni resim.