All translations
Enter a message name below to show all available translations.
Found 3 translations.
| Name | Current message text |
|---|---|
| h English (en) | * '''{{Term|dropout}} {{Term|regularization}}''': A training procedure that randomly omits neurons during each forward and backward pass, preventing neurons from developing overly specialized co-adaptations. * '''Ensemble interpretation''': Theoretical motivation of {{Term|dropout}} as approximate model averaging over <math>2^n</math> possible thinned networks (where <math>n</math> is the number of droppable units), with shared weights. * '''Comprehensive empirical evaluation''': Demonstration of consistent improvements across diverse domains including vision, speech recognition, text classification, and computational biology. * '''Practical guidelines''': Recommendations for {{Term|dropout}} rates (<math>p = 0.5</math> for hidden units, <math>p = 0.8</math> for input units) and interactions with other {{Term|hyperparameter|hyperparameters}}. |
| h Spanish (es) | * '''{{Term|regularization|Regularización}} mediante {{Term|dropout|dropout}}''': un procedimiento de entrenamiento que omite aleatoriamente neuronas en cada paso hacia adelante y hacia atrás, evitando que las neuronas desarrollen coadaptaciones excesivamente especializadas. * '''Interpretación como conjunto''': motivación teórica del {{Term|dropout|dropout}} como promedio aproximado de modelos sobre <math>2^n</math> redes adelgazadas posibles (donde <math>n</math> es el número de unidades susceptibles de descartarse), con pesos compartidos. * '''Evaluación empírica exhaustiva''': demostración de mejoras consistentes en diversos dominios, incluyendo visión por computadora, reconocimiento de voz, clasificación de textos y biología computacional. * '''Pautas prácticas''': recomendaciones de tasas de {{Term|dropout|dropout}} (<math>p = 0.5</math> para unidades ocultas, <math>p = 0.8</math> para unidades de entrada) e interacciones con otros {{Term|hyperparameter|hiperparámetros}}. |
| h Chinese (zh) | * '''{{Term|dropout|Dropout}} {{Term|regularization|正则化}}'''：一种训练过程，在每次前向和反向传播中随机省略神经元，防止神经元形成过度特化的共适应。 * '''集成解释'''：将 {{Term|dropout|dropout}} 在理论上视为对 <math>2^n</math> 个可能的稀疏化网络（其中 <math>n</math> 是可丢弃单元的数量）的近似模型平均，且这些网络共享权重。 * '''全面的实证评估'''：在视觉、语音识别、文本分类和计算生物学等多个不同领域展示了一致的改进。 * '''实用指南'''：关于 {{Term|dropout|dropout}} 比率的建议（隐藏单元 <math>p = 0.5</math>，输入单元 <math>p = 0.8</math>）以及与其他{{Term|hyperparameter|超参数}}的相互作用。 |