답변:
두 가지 점 :
어쨌든, 나는 신경망 경험적 연구에 대해 약간 회의적입니다. 네트워크의 토폴로지에서 그라디언트 디센트 최적화 절차, 활성화 기능 및 정규화와 같은 테스트 대상에 이르기까지 미세 조정하기에는 하이퍼 파라미터가 너무 많습니다. 그런 다음 전체가 확률 론적이며 일반적으로 성능 향상이 너무 작아서 차이를 통계적으로 테스트 할 수 없습니다. 많은 저자들이 통계 테스트를하지 않아도됩니다. 그들은 단지 교차 검증을 평균하고 가장 높은 소수점 이득을 가진 모델이 승자가 될 것이라고 선언합니다.
다른 판촉 정규화에 의해서만 이탈을 홍보하는 연구를 찾을 수 있습니다.
나는 그것이 미학 선호로 귀결된다고 생각합니다. 드롭 아웃 IMHO는 정규화보다 더 생물학적으로 그럴듯합니다. 또한 교정이 더 쉬운 것 같습니다. 따라서 TensorFlow와 같은 프레임 워크를 사용할 때 개인적으로 선호합니다. 우리가 자주하는 자체 신경망을 사용해야한다면, 구현하기가 쉬워 정규화를 사용할 것입니다.
명확히. 창조자 자신의 논문, Geoffrey Hinton. https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf 읽어보십시오. 그러나 나는 그것을 직접 구현하여 차이점을 볼 것을 권장합니다.