GaussianDropout
با مجموعهها، منظم بمانید
ذخیره و دستهبندی محتوا براساس اولویتهای شما.
GaussianDropout
ورودی را با نویز نمونه برداری شده از توزیع نرمال با میانگین 1.0 ضرب می کند.
از آنجا که این یک لایه منظم است، فقط در طول زمان تمرین فعال است. در طول استنتاج، GaussianDropout
بدون تغییر از ورودی عبور می کند.
اعلامیه
@noDerivative
public let probability: Scalar
اعلامیه
@noDerivative
public let standardDeviation: Scalar
یک لایه حذفی گاوسی ایجاد می کند.
پیش شرط
احتمال باید مقداری بین 0 و 1 (شامل) باشد.
اعلامیه
public init(probability: Scalar)
نویز گاوسی 1-مرکزی ضربی را فقط در طول آموزش به ورودی اعمال می کند.
اعلامیه
@differentiable
public func forward(_ input: Tensor<Scalar>) -> Tensor<Scalar>
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2024-11-12 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2024-11-12 بهوقت ساعت هماهنگ جهانی."],[],[]]