Dropout Layer

Bu fonksiyon bloğu, bir sinir ağı modelinde bir dropout katmanı uygulamak için kullanılır. Dropout, eğitim sırasında girdi birimlerinin bir kısmını rastgele sıfıra ayarlayarak aşırı uydurma (overfitting) durumunu önlemeye yardımcı olan bir düzenleme tekniğidir.

📥 Girdiler

Bu fonksiyon bloğu, belirli bir girdi bağlantısı gerektirmez.

📤 Çıktılar

Bu fonksiyon bloğu, doğrudan herhangi bir çıktı üretmez.

🕹️ Kontroller

Drop out rate (%) Eğitim sırasında düşürme oranını belirtmek için kullanılan bir metin girişi, yüzde (%) olarak temsil edilir (örneğin, 20 girişi yapıldığında bu, eğitim sırasında nöronların %20'sinin düşürüleceği anlamına gelir).

🎨 Özellikler

Regularization Technique Aşırı uydurmayı azaltmaya yardımcı olur; bu da modelin daha önce görülmemiş verilere karşı performansını artırabilir.

Dynamic Rate Adjustment Kullanıcılar, en iyi değeri bulmak için etkileşimli olarak düşürme oranını ayarlayabilir.

📝 Kullanım Talimatları

1. Set Dropout Rate: İstenilen düşürme oranını yüzde olarak belirtin (örneğin, 25 girişi %25 düşürme anlamına gelir).

2. Integrate into Model: Dropout katmanını Keras modelinize dahil etmek için getKerasLayer yöntemini kullanın.

3. Training: Modelinizi her zamanki gibi eğitin; dropout katmanı, eğitim sürecinin düzenlenmesine yardımcı olacaktır.

📊 Değerlendirme

Bloğun değerlendirilmesi sırasında, belirtilen düşürme oranıyla yapılandırılmış bir dropout katmanı döndürecektir; bu, sinir ağı modelinize entegre edilmek üzere kullanılacaktır.

💡 İpuçları ve Püf Noktaları

Düşürme Oranı Seçimi

Düşürme oranına yaklaşık %20-50 arasında bir başlangıç yapın. Modelinizin performansını değerlendirin ve oranı buna göre ayarlayın. Daha yüksek oranlar aşırı uydurmayı önleyebilir ancak çok yüksekse aşırı uydurma yapabilir.

Diğer Katmanlarla Birleştirme

Dropout'u genellikle tamamen bağlı katmanların ardından batch normalization ve aktivasyon katmanları ile birleştirmek, aşırı uydurmadan kaçınarak performansı artırmak için etkili olabilir.

Performans İzleme

Eğitim ve doğrulama kaybını dikkatle izleyin. Bu iki değer arasındaki belirgin bir fark, aşırı uydurma olabileceğini gösterir; bu durum, düşürme oranını ayarlayarak hafifletilebilir.

🛠️ Sorun Giderme

Geçersiz Düşürme Oranı Girişi

Düşürme oranının 0 ile 100 arasında bir tamsayı olarak girildiğinden emin olun. Bu aralığın dışındaki herhangi bir değer, modelin eğitiminde sorunlara yol açabilir.

Model Gelişmiyor

Modelinizin performansı iyileşmiyorsa, farklı düşürme oranları ile diğer düzenleme tekniklerini birleştirerek veya model mimarisini değiştirerek denemeler yapmayı düşünün.