畳み込みニューラルネットワークの過剰適合を特定する方法

ドロップアウトを使用してネットワークへの過剰な適合を減らすことを理解しています。これは一般化手法です。

畳み込みニューラルネットワークでは、どのようにして過剰適合を特定できますか？

私が考えることができる1つの状況は、テストまたは検証の精度と比較してトレーニングの精度が高すぎる場合です。その場合、モデルはトレーニングサンプルにオーバーフィットしようとし、テストサンプルには不十分なパフォーマンスを示します。

これは、ドロップアウトを適用するか、ドロップアウトをモデルに盲目的に追加する必要があるかどうかを示す唯一の方法ですか？

畳み込みニューラルネットワークでは、どのようにして過剰適合を特定できますか？

トレーニングのパフォーマンス（精度など）とテストまたは検証のパフォーマンスを比較することが唯一の方法です（これがオーバーイッティングの定義です）。

ドロップアウトをモデルに盲目的に追加して、テストまたは検証の精度を向上させたいですか

ドロップアウトはしばしば役立ちますが、最適なドロップアウト率はデータセットとモデルに依存します。ドロップアウトは、ネットワークのさまざまなレイヤーにも適用できます。IEEE SLT 2016のダイアログ法分類のためのガウスプロセスによるニューラルネットワークハイパーパラメーターの最適化の例：

また、早期停止を行うこともできます。