Die Aktivitätsregularisierung bietet eine Möglichkeit, neuronale Netze dazu zu ermutigen, spärliche Merkmale oder interne Darstellungen von Rohbeobachtungen zu lernen.
Es ist üblich, in Autoencodern (sogenannte Sparse-Autoencoder) und Encoder-Decoder-Modellen nach spärlich besetzten erlernten Darstellungen zu suchen, obwohl dieser Ansatz auch häufig verwendet wird, um Überanpassungen zu reduzieren und die Modellverallgemeinerung auf neue Beobachtungen zu verbessern. Fähigkeit .
In diesem Tutorial lernen Sie die Keras-API zum Hinzufügen aktiver Regularisierung zu neuronalen Deep-Learning-Netzwerkmodellen kennen.
Nach Abschluss dieses Tutorials wissen Sie:
- So erstellen Sie einen Vektornorm-Regularisierer mithilfe der Keras-API.
- So fügen Sie mithilfe der Keras-API eine aktive Regularisierung zu MLP-, CNN- und RNN-Ebenen hinzu.
- So reduzieren Sie die Überanpassung, indem Sie einem vorhandenen Modell eine aktive Regularisierung hinzufügen.
Tutorial-Übersicht
Dieses Tutorial ist in drei Teile unterteilt: