At testing time after training has

At testing time after training has finished, we would ideally like to find a sample average of all possible 2^n dropped-out networks; unfortunately this is infeasible for large n. However, we can find an approximation by using the full network with each node's output weighted by a factor of p, so the expected value of the output of any node is the same as in the training stages. This is the biggest contribution of the dropout method: although it effectively generates 2^n neural nets, and as such allows for model combination, at test time only a single network needs to be tested.
By avoiding training all nodes on all training data, dropout decreases overfitting in neural nets. The method also significantly improves the speed of training. This makes model combination practical, even for deep neural nets.

ผลลัพธ์ (ไทย) 1:

ที่ทดสอบหลังอบรมเสร็จ เราเชิญอยากค้นหาตัวอย่างค่าเฉลี่ยของทั้งหมดได้ 2 ^ n หลุดออกเครือข่าย แต่นี่คือถอดสำหรับ n ขนาดใหญ่ อย่างไรก็ตาม เราสามารถหาการประมาณ โดยใช้เครือข่ายเต็มรูปแบบมีการถ่วงน้ำหนักตามสัดส่วนของ p ดังนั้นมูลค่าคาดไว้ของการแสดงผลของโหนเดียวกับขั้นตอนการฝึกอบรมผลลัพธ์ของแต่ละโหนด เป็นสัดส่วนที่ใหญ่ที่สุดของวิธีการเป็นถอน: ถึงแม้ว่ามันสร้างได้อย่างมีประสิทธิภาพ 2 ^ n ประสาทสุทธิ และช่วยให้เป็นสำหรับชุดรูปแบบ เวลาทดสอบเฉพาะเครือข่ายต้องสามารถทดสอบโดยหลีกเลี่ยงการฝึกโหนทั้งหมดในข้อมูลการฝึกอบรมทั้งหมด เป็นถอนลด overfitting ในตาข่ายประสาท วิธีการจะปรับปรุงความเร็วของการฝึกอบรม นี้ทำให้ชุดจำลองปฏิบัติ แม้สำหรับตาข่ายประสาทลึก

ผลลัพธ์ (ไทย) 2:

ในขณะที่การทดสอบหลังการฝึกอบรมเสร็จแล้วเรานึกคิดต้องการที่จะหาค่าเฉลี่ยของกลุ่มตัวอย่างที่เป็นไปได้ทั้งหมด 2 ^ เครือข่ายลดลงออก n; โชคร้ายนี้ไปไม่ได้สำหรับ n ขนาดใหญ่ แต่เราสามารถหาประมาณโดยใช้เครือข่ายเต็มรูปแบบกับการส่งออกของแต่ละโหนดถ่วงน้ำหนักโดยปัจจัยที่พีดังนั้นคาดว่ามูลค่าของการส่งออกของโหนดใด ๆ เป็นเช่นเดียวกับในขั้นตอนการฝึกอบรม นี้เป็นผลงานที่ยิ่งใหญ่ที่สุดของวิธีการออกกลางคันนี้: แม้ว่ามันจะมีประสิทธิภาพในการสร้าง 2 ^ ประสาท n และเป็นเช่นนี้จะช่วยให้การรวมกันรุ่นในเวลาทดสอบเพียงเครือข่ายเดียวที่จะต้องมีการทดสอบ.
โดยหลีกเลี่ยงการฝึกอบรมทุกโหนดกับข้อมูลการฝึกอบรมทั้งหมด การออกกลางคันลดลงอิงในประสาท วิธีการอย่างมีนัยสำคัญช่วยเพิ่มความเร็วของการฝึกอบรม นี้จะทำให้รูปแบบการรวมกันในทางปฏิบัติแม้ประสาทลึก

ผลลัพธ์ (ไทย) 3:

ที่เวลาการทดสอบหลังการฝึกอบรมเสร็จเรียบร้อยแล้ว เรานึกคิดอยากจะหาตัวอย่างเฉลี่ยเป็นไปได้ทั้งหมด 2
n ออกจากเครือข่าย แต่นี้เป็นที่สำหรับเอ็น แต่ขนาดใหญ่เราสามารถหาค่าประมาณโดยใช้เครือข่ายเต็มรูปแบบกับโหนดแต่ละผลผลิตถ่วงน้ำหนักโดยปัจจัยที่ P ดังนั้นคาดว่ามูลค่าของ ผลผลิตของโหนดใด ๆเหมือนกับในการฝึกอบรมขั้นตอนที่นี้เป็นส่วนที่ใหญ่ที่สุดของมหิดลวิธี : แม้ว่ามันได้อย่างมีประสิทธิภาพสร้าง 2
n ตาข่ายประสาทและเช่นช่วยให้รูปแบบการรวมกันในเวลาทดสอบเพียงเครือข่ายเดียวที่ต้องถูกทดสอบ โดยหลีกเลี่ยงโหนดทั้งหมดในการฝึกอบรม
ข้อมูลการฝึกอบรมทั้งหมด , dropout overfitting ประสาทลดลงในมุ้ง วิธีการอย่างมีนัยสำคัญเพิ่มความเร็วในการฝึกอบรมนี้จะทำให้รูปแบบการปฏิบัติ แม้แต่ข่ายประสาทลึก