یه نگاه جالب به Dropout اینه که انگار به جای آموزش یک مدل، داریم هر بار یک زیرمدل متفاوت آموزش میدیم.

چون هر بار یه سری نورون‌ها خاموش میشن، ساختار شبکه کمی فرق می‌کنه و مدل یاد می‌گیره فقط به یک مسیر وابسته نباشه.

آخر کار هم موقع پیش‌بینی، همه نورون‌ها دوباره فعال میشن و نتیجه شبیه اینه که خروجی تعداد زیادی زیرمدل با هم ترکیب شده باشه.

📌 به همین دلیل Dropout یکی از مؤثرترین روش‌ها برای کاهش Overfitting محسوب میشه.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام