overfiting et convolution

Question

L'overfitting de CNN est-il plus risqué en augmentant le nb de kernels par couche ou en augmentant le nombre de couches?

Answer 1

Je dirais que les deux paramètres contribuent à l'overfitting. Je ne sais pas si l'un a un impact plus fort que l'autre.

Comments

Cela signifie que même les hyperparamètres peuvent aussi contribuer à l'overfitting, en plus de trop entrainer ?

---

L'overfitting arrive quand on entraîne trop et que le réseau est trop "intelligent" par rapport à la tâche qu'on souhaite résoudre. Les deux raisons principales de l'overfitting c'est un réseau trop gros et trop profond et un apprentissage trop long. Raccourcir l'apprentissage permet d'éviter l'overfitting même si on a un réseau un peu gros.

Answer 2

Les deux sont risqués, cela dépend des cas

Answer 3

Pour moi cela n'a pas de lien. Plus il y a de kernel et/ou de couche plus on va pouvoir overfit chaque valeur de notre dataset, néanmoins cela va surtout être provoqué par l'apprentissage en lui même.

Comments

merci