Dropout (Reti Neurali) - Cronologia

Mindmakerbot il 13:46, 17 ago 2024

2024-08-17T13:46:57Z

← Versione meno recente		Versione delle 13:46, 17 ago 2024
Riga 19:		Riga 19:
	\|title=Dropout		\|title=Dropout
	\|title_mode=append		\|title_mode=append
	\|keywords="reti neurali, apprendimento automatico, intelligenza artificiale, overfitting, regolarizzazione, deep learning, modelli predittivi, analisi dati, machine learning, reti neurali artificiali"		\|keywords=reti neurali, apprendimento automatico, intelligenza artificiale, overfitting, regolarizzazione, deep learning, modelli predittivi, analisi dati, machine learning, reti neurali artificiali
	\|description=Il dropout è una tecnica di regolarizzazione utilizzata per prevenire l'overfitting nelle reti neurali. Durante l'addestramento, un sottoinsieme casuale di neuroni viene "spento", forzando la rete a imparare rappresentazioni più robuste e meno dipendenti da singoli neuroni. Questo processo aiuta a migliorare la capacità della rete di generalizzare a dati non visti.		\|description=Il dropout è una tecnica di regolarizzazione utilizzata per prevenire l'overfitting nelle reti neurali. Durante l'addestramento, un sottoinsieme casuale di neuroni viene "spento", forzando la rete a imparare rappresentazioni più robuste e meno dipendenti da singoli neuroni. Questo processo aiuta a migliorare la capacità della rete di generalizzare a dati non visti.

	}}		}}

Mindmakerbot il 13:29, 17 ago 2024

2024-08-17T13:29:24Z

← Versione meno recente		Versione delle 13:29, 17 ago 2024
Riga 15:		Riga 15:
	=== Riferimenti ===		=== Riferimenti ===
	Jibin Mathew - PyTorch Artificial Intelligence Fundamentals-Packt Publishing (2020) pag 39		Jibin Mathew - PyTorch Artificial Intelligence Fundamentals-Packt Publishing (2020) pag 39

			{{#seo:
			\|title=Dropout
			\|title_mode=append
			\|keywords="reti neurali, apprendimento automatico, intelligenza artificiale, overfitting, regolarizzazione, deep learning, modelli predittivi, analisi dati, machine learning, reti neurali artificiali"
			\|description=Il dropout è una tecnica di regolarizzazione utilizzata per prevenire l'overfitting nelle reti neurali. Durante l'addestramento, un sottoinsieme casuale di neuroni viene "spento", forzando la rete a imparare rappresentazioni più robuste e meno dipendenti da singoli neuroni. Questo processo aiuta a migliorare la capacità della rete di generalizzare a dati non visti.

			}}

Mindmakerbot il 11:17, 17 ago 2024

2024-08-17T11:17:34Z

← Versione meno recente		Versione delle 11:17, 17 ago 2024
Riga 1:		Riga 1:
	~~Nome inglese: [[~~NomeInglese::Dropout]]		{{Template concetto
			\|NomeInglese=Dropout
			}}
	Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'[[overfitting]] nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti.		Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'[[overfitting]] nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti.

Riga 14:		Riga 15:
	=== Riferimenti ===		=== Riferimenti ===
	Jibin Mathew - PyTorch Artificial Intelligence Fundamentals-Packt Publishing (2020) pag 39		Jibin Mathew - PyTorch Artificial Intelligence Fundamentals-Packt Publishing (2020) pag 39

	~~[[Category:Concetto]]~~
	~~[[Category:Reti Neurali]]~~

	~~__SHOWFACTBOX__~~

Sara Maserati il 10:32, 11 apr 2024

2024-04-11T10:32:45Z

← Versione meno recente		Versione delle 10:32, 11 apr 2024
Riga 1:		Riga 1:
			Nome inglese: [[NomeInglese::Dropout]]

	Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'[[overfitting]] nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti.		Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'[[overfitting]] nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti.

Riga 15:		Riga 17:
	[[Category:Concetto]]		[[Category:Concetto]]
	[[Category:Reti Neurali]]		[[Category:Reti Neurali]]

			__SHOWFACTBOX__

Alesaccoia il 21:27, 16 mar 2024

2024-03-16T21:27:57Z

← Versione meno recente		Versione delle 21:27, 16 mar 2024
Riga 9:		Riga 9:

	Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.		Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.

			=== Riferimenti ===
			Jibin Mathew - PyTorch Artificial Intelligence Fundamentals-Packt Publishing (2020) pag 39

	[[Category:Concetto]]		[[Category:Concetto]]
	[[Category:Reti Neurali]]		[[Category:Reti Neurali]]

Michela il 10:06, 15 mar 2024

2024-03-15T10:06:52Z

← Versione meno recente		Versione delle 10:06, 15 mar 2024
Riga 10:		Riga 10:
	Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.		Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.

	[[Category:~~Concetti~~]]		[[Category:Concetto]]
	[[Category:Reti Neurali]]		[[Category:Reti Neurali]]

Alesaccoia il 11:52, 10 mar 2024

2024-03-10T11:52:31Z

← Versione meno recente		Versione delle 11:52, 10 mar 2024
Riga 10:		Riga 10:
	Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.		Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.

	[[Category:~~concetti~~]]		[[Category:Concetti]]
			[[Category:Reti Neurali]]

Alesaccoia il 11:51, 10 mar 2024

2024-03-10T11:51:50Z

← Versione meno recente		Versione delle 11:51, 10 mar 2024
Riga 1:		Riga 1:
	Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'overfitting nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti~~. Questo accade spesso quando la rete ha troppi parametri (eccessiva capacità) rispetto alla quantità di dati di addestramento disponibili~~.		Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'[[overfitting]] nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti.

	Durante l'addestramento di una rete neurale con dropout, ad ogni iterazione (cioè, ad ogni passo dell'algoritmo di addestramento), un sottoinsieme casuale di neuroni (insieme ai loro collegamenti) viene "ignorato" o escluso dal processo di addestramento.		Durante l'addestramento di una rete neurale con dropout, ad ogni iterazione (cioè, ad ogni passo dell'algoritmo di addestramento), un sottoinsieme casuale di neuroni (insieme ai loro collegamenti) viene "ignorato" o escluso dal processo di addestramento.

	# '''Durante il forward pass''': Per ogni esempio di addestramento, alcuni neuroni non contribuiscono alla propagazione dell'input attraverso la rete. La loro attivazione è impostata a zero, come se temporaneamente "spenti". La frazione dei neuroni da disattivare è determinata dal '''tasso di dropout''', un [[iperparametro]]. Tipicamente, questo tasso si aggira tra il 20% e il 50%.		# '''Durante il [[forward pass]]''': Per ogni esempio di addestramento, alcuni neuroni non contribuiscono alla propagazione dell'input attraverso la rete. La loro attivazione è impostata a zero, come se temporaneamente "spenti". La frazione dei neuroni da disattivare è determinata dal '''tasso di dropout''', un [[iperparametro]]. Tipicamente, questo tasso si aggira tra il 20% e il 50%.
	# '''Durante il backward pass''': Poiché i neuroni sono stati "spenti" durante il forward pass, anche la loro partecipazione nell'aggiornamento dei pesi (attraverso la [[retropropagazione dell'errore]]) è esclusa. In altre parole, i pesi dei neuroni disattivati rimangono inalterati in quell'iterazione dell'addestramento.		# '''Durante il [[backward pass]]''': Poiché i neuroni sono stati "spenti" durante il forward pass, anche la loro partecipazione nell'aggiornamento dei pesi (attraverso la [[retropropagazione dell'errore]]) è esclusa. In altre parole, i pesi dei neuroni disattivati rimangono inalterati in quell'iterazione dell'addestramento.

	Il risultato di questo processo è che la rete impara a diventare meno dipendente da specifici neuroni o percorsi di neuroni, poiché questi possono essere disattivati in qualsiasi momento durante l'addestramento. Ciò aiuta a distribuire più uniformemente l'"importanza" tra i neuroni della rete, forzando la rete a trovare più percorsi per trasmettere l'informazione dall'input all'output. Di conseguenza, la rete diventa più robusta e migliora la sua '''capacità di generalizzare''' su dati non visti, riducendo il rischio di overfitting.		Il risultato di questo processo è che la rete impara a diventare meno dipendente da specifici neuroni o percorsi di neuroni, poiché questi possono essere disattivati in qualsiasi momento durante l'addestramento. Ciò aiuta a distribuire più uniformemente l'"importanza" tra i neuroni della rete, forzando la rete a trovare più percorsi per trasmettere l'informazione dall'input all'output. Di conseguenza, la rete diventa più robusta e migliora la sua '''capacità di generalizzare''' su dati non visti, riducendo il rischio di overfitting.

Alesaccoia il 22:57, 9 mar 2024

2024-03-09T22:57:28Z

← Versione meno recente		Versione delle 22:57, 9 mar 2024
Riga 9:		Riga 9:

	Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.		Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.

			[[Category:concetti]]

Alesaccoia: Creata pagina con "Il dropout è una tecnica di regolarizzazione utilizzata per prevenire l'overfitting nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti. Questo accade spesso quando la rete ha troppi parametri (eccessiva capacità) rispetto alla quantità di dati di addestramento disponibili. Durante l'addestramento di una rete neurale con dropout, ad ogni iterazion..."

2024-03-09T22:57:14Z

Creata pagina con "Il dropout è una tecnica di regolarizzazione utilizzata per prevenire l'overfitting nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti. Questo accade spesso quando la rete ha troppi parametri (eccessiva capacità) rispetto alla quantità di dati di addestramento disponibili. Durante l'addestramento di una rete neurale con dropout, ad ogni iterazion..."

Nuova pagina

Il dropout è una tecnica di [[regolarizzazione]] utilizzata per prevenire l'overfitting nelle reti neurali. L'overfitting si verifica quando una rete neurale impara troppo bene i dati di addestramento, a scapito delle sue prestazioni su nuovi dati non visti. Questo accade spesso quando la rete ha troppi parametri (eccessiva capacità) rispetto alla quantità di dati di addestramento disponibili.

Durante l'addestramento di una rete neurale con dropout, ad ogni iterazione (cioè, ad ogni passo dell'algoritmo di addestramento), un sottoinsieme casuale di neuroni (insieme ai loro collegamenti) viene "ignorato" o escluso dal processo di addestramento.

# '''Durante il forward pass''': Per ogni esempio di addestramento, alcuni neuroni non contribuiscono alla propagazione dell'input attraverso la rete. La loro attivazione è impostata a zero, come se temporaneamente "spenti". La frazione dei neuroni da disattivare è determinata dal '''tasso di dropout''', un [[iperparametro]]. Tipicamente, questo tasso si aggira tra il 20% e il 50%.
# '''Durante il backward pass''': Poiché i neuroni sono stati "spenti" durante il forward pass, anche la loro partecipazione nell'aggiornamento dei pesi (attraverso la [[retropropagazione dell'errore]]) è esclusa. In altre parole, i pesi dei neuroni disattivati rimangono inalterati in quell'iterazione dell'addestramento.

Il risultato di questo processo è che la rete impara a diventare meno dipendente da specifici neuroni o percorsi di neuroni, poiché questi possono essere disattivati in qualsiasi momento durante l'addestramento. Ciò aiuta a distribuire più uniformemente l'"importanza" tra i neuroni della rete, forzando la rete a trovare più percorsi per trasmettere l'informazione dall'input all'output. Di conseguenza, la rete diventa più robusta e migliora la sua '''capacità di generalizzare''' su dati non visti, riducendo il rischio di overfitting.

Al termine dell'addestramento, durante l'utilizzo della rete neurale per fare previsioni (cioè, in fase di test), tutti i neuroni sono attivi, e nessuno viene escluso.