이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

dropoutLayer

드롭아웃 계층

설명

드롭아웃 계층은 주어진 확률에 따라 입력 요소를 무작위로 0으로 설정합니다.

생성

구문

layer = dropoutLayer

layer = dropoutLayer(probability)

layer = dropoutLayer(___,'Name',Name)

설명

layer = dropoutLayer는 드롭아웃 계층을 만듭니다.

layer = dropoutLayer(probability)는 드롭아웃 계층을 만들고 Probability 속성을 설정합니다.

layer = dropoutLayer(___,'Name',Name)은 위에 열거된 구문에 나와 있는 인수와 함께 이름-값 쌍을 사용하여 선택적 속성인 Name을 설정합니다. 예를 들어, dropoutLayer(0.4,'Name','drop1')은 드롭아웃 확률이 0.4이고 이름이 'drop1'인 드롭아웃 계층을 만듭니다. 속성 이름을 작은따옴표로 묶습니다.

속성

Probability — 입력 요소를 배제(드롭아웃)할 확률

0.5 (디폴트 값) | 범위 0~1에 속하는 숫자형 스칼라

훈련 시점에 입력 요소(뉴런)를 배제할 확률로, 범위 0~1에 속하는 숫자형 스칼라로 지정됩니다.

수치가 높을수록 훈련 중에 배제되는 뉴런이 많아집니다.

예: 0.4

Name — 계층 이름

'' (디폴트 값) | 문자형 벡터 | string형 스칼라

계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다. 계층 그래프에 계층을 포함하려면 비어 있지 않은 고유한 계층 이름을 지정해야 합니다. 이 계층을 사용하여 시리즈 네트워크를 훈련시킬 때 Name을 ''로 설정하면, 소프트웨어가 훈련 시점에 해당 계층에 자동으로 이름을 할당합니다.

데이터형: char | string

예제

드롭아웃 계층 만들기

이름이 'drop1'인 드롭아웃 계층을 만듭니다.

layer = dropoutLayer('Name','drop1')

layer = 
  DropoutLayer with properties:

           Name: 'drop1'

   Hyperparameters
    Probability: 0.5000

Layer 배열에 드롭아웃 계층을 포함시킵니다.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(5,20)
    reluLayer
    dropoutLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer]

layers = 
  7x1 Layer array with layers:

     1   ''   Image Input             28x28x1 images with 'zerocenter' normalization
     2   ''   Convolution             20 5x5 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                    ReLU
     4   ''   Dropout                 50% dropout
     5   ''   Fully Connected         10 fully connected layer
     6   ''   Softmax                 softmax
     7   ''   Classification Output   crossentropyex

세부 정보

드롭아웃 계층

드롭아웃 계층은 주어진 확률에 따라 입력 요소를 무작위로 0으로 설정합니다.

예측 시점에는 드롭아웃 계층의 출력값이 입력값과 동일합니다. 드롭아웃은 훈련 시점에 무작위로 선택한 유닛과 그 유닛에 대한 훈련 중 네트워크에서의 연결을 일시적으로 배제합니다. 따라서 trainNetwork는 새로운 입력 요소 각각에 대해 뉴런의 서브셋을 무작위로 선택하여 하나의 다른 계층 아키텍처를 형성합니다. 이러한 아키텍처는 모두 동일한 가중치를 사용하지만, 학습이 특정 뉴런과 연결에 종속되지 않기 때문에 드롭아웃 계층은 과적합을 방지하는 데 도움이 될 수 있습니다[1], [2]. 최댓값 또는 평균값 풀링 계층과 비슷하게 이 계층에서는 학습이 이루어지지 않습니다.

참고 문헌

[1] Srivastava, N., G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov. "Dropout: A Simple Way to Prevent Neural Networks from Overfitting." Journal of Machine Learning Research. Vol. 15, pp. 1929-1958, 2014.

[2] Krizhevsky, A., I. Sutskever, and G. E. Hinton. "ImageNet Classification with Deep Convolutional Neural Networks." Advances in Neural Information Processing Systems. Vol. 25, 2012.

참고 항목

imageInputLayer | reluLayer

도움말 항목

• 간단한 분류용 심층 학습 네트워크 만들기
• 회귀를 위해 컨벌루션 신경망 훈련시키기
• Deep Learning in MATLAB
• Specify Layers of Convolutional Neural Network
• List of Deep Learning Layers

R2016a에 개발됨