上篇通過實例了解了過擬合，那如何處理將是本文處理的問題

Dropout抑制過擬合

在每一次訓練中，隨機丟棄一部分隱藏單元，從而加強另一部分單元的學習

原理

• 取平均的作用：先回到標準的模型沒有dropout，我們會用相同的訓練數據去訓練5個不同的神經網絡，一般會得到5個不同的結果，此時我們可以采用“5個結果取均值”或者“對數取勝的投票策略”去決定最懂結果

• 減少神經元之間的復雜的共適應關系：因為dropout程序導致免掛鉤神經元不一定每次都在一個dropout網絡中出現。這樣全職的更新不在依賴于有固定關系的隱含節點的共同作用，阻止了某些特征僅僅在其他特征下才有效果的情況

怎么理解呢？

dropout類似于性別在生物進化中的角色

物種為了生存往往會傾向于適應這種環境，環境的突變則會導致物種難以做出及時反應，而性別的出現可以繁衍出適應新環境的變種，有效的阻止過擬合，即避免環境改變時物種可能面臨的滅絕

代碼實現

只要在添加dropout層即可

還是上文的數據

model = keras.Sequential() model.add(lay 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的keras从入门到放弃(九） 处理过拟合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。