۷ کیو· سادهمبتدیPYTHON۴ ثانیه · ۲۵۶ مگابایت
دراپ‌اوت
در دراپ‌اوت، هنگام آموزش هر فعال‌سازی با احتمال صفر می‌شود. برای این‌که مقدار مورد انتظار هر فعال‌سازی عوض نشود، فعال‌سازی‌های باقی‌مانده بر تقسیم می‌شوند (دراپ‌اوت «وارون»). هنگام پیش‌بینی هیچ‌چیز صفر نمی‌شود.
تابع dropout(A, mask, phi) فعال‌سازی‌های ، ماتریس mask از صفر و یک (یک یعنی نگه دار) و را می‌گیرد و دو ماتریس برمی‌گرداند: [A_train, A_test] — خروجی هنگام آموزش، ، و هنگام پیش‌بینی، خود .
نمونه‌ها
ورودی نمونه ۱
[[[0.0, 0.63, 1.04, 1.03], [1.82, 0.0, 0.54, 0.0]], [[0, 1, 0, 1], [1, 1, 1, 0]], 0.5]
خروجی نمونه ۱
[[[0.0, 1.26, 0.0, 2.06], [3.64, 0.0, 1.08, 0.0]], [[0.0, 0.63, 1.04, 1.03], [1.82, 0.0, 0.54, 0.0]]]
ورودی نمونه ۲
[[[1.1, 0.34, 0.0, 0.0, 0.0], [0.02, 0.0, 0.0, 0.0, 0.0], [0.0, 0.93, 0.0, 1.86, 0.59]], [[1, 1, 0, 0, 0], [1, 1, 1, 1, 1], [1, 1, 1, 1, 1]], 0.2]
خروجی نمونه ۲
[[[1.375, 0.425, 0.0, 0.0, 0.0], [0.025, 0.0, 0.0, 0.0, 0.0], [0.0, 1.1625, 0.0, 2.325, 0.7375]], [[1.1, 0.34, 0.0, 0.0, 0.0], [0.02, 0.0, 0.0, 0.0, 0.0], [0.0, 0.93, 0.0, 1.86, 0.59]]]
برای نوشتن پاسخ و دریافت امتیاز، ابتدا وارد حساب شوید.
ورود