/* NEW VISUAL EFFECTS */ #bg-canvas { position: fixed; top: 0; left: 0; width: 100%; height: 100%; z-index: 0; opacity: 0.5; pointer-events: none; } #cursor { width: 30px; height: 30px; border: 2px solid var(--red); border-radius: 50%; position: fixed; pointer-events: none; z-index: 10000; transition: transform 0.1s cubic-bezier(0.19, 1, 0.22, 1); mix-blend-mode: difference; } #cursor-dot { width: 8px; height: 8px; background: var(--gold); border-radius: 50%; position: fixed; pointer-events: none; z-index: 10000; box-shadow: 0 0 10px var(--red); } .layer-title h1 { text-shadow: 0 0 30px rgba(255, 60, 60, 0.5), 0 0 60px rgba(255, 215, 0, 0.3); animation: breathe 4s ease-in-out infinite; } @keyframes breathe { 0%, 100% { text-shadow: 0 0 30px rgba(255, 60, 60, 0.5); } 50% { text-shadow: 0 0 50px rgba(255, 60, 60, 0.8), 0 0 80px rgba(255, 215, 0, 0.5); } } /* Panel Tilt Effect */ .left-panel, .right-panel { transition: transform 0.1s; transform-style: preserve-3d; perspective: 1000px; } .left-panel:hover, .right-panel:hover { box-shadow: 0 0 40px rgba(255, 60, 60, 0.15); border-color: rgba(255, 60, 60, 0.5); }
04

Dropout (1)

Post-ReLU Regularization

Rate
20%
Input
24×64
Params
0
← Prev ⬡ HUB Next →
📊 Dropout Rate
20%
Drop Probability (p)
⚡ BAYESIAN OPTIMIZED (0.1–0.5)
123
Active Neurons
31
Dropped Neurons
🔄 Mode
Training
Random dropping
Inference
All neurons active
Inverted Dropout
y = x × mask / (1 - p)
mask ~ Bernoulli(1-p)

🎯 Purpose

Dropout prevents overfitting by randomly deactivating neurons during training, forcing the network to learn redundant representations.

🔗 Position in Pipeline

Operates on [64×24] tensor (64 CNN channels × 24 timesteps) after ReLU activation. This is a 2D dropout — random elements across both channels and time are masked before BiLSTM ingestion.

🎮 Controls
Dropout Rate0.20
Animation Speed1.0x
📐 Scale Factor
1.25
1 / (1-p)
0.80
Keep Prob

⚖️ Inverted Dropout

Scaling active neurons by 1/(1-p) during training ensures expected values remain consistent at inference time.

🎭 Ensemble Effect

Training with dropout is like training an ensemble of sub-networks, improving generalization.

نظرة عميقة: استراتيجية الإسقاط العشوائي (Dropout)

لماذا "نحذف" البيانات عمداً؟

قد يبدو إيقاف بعض الخلايا العصبية أمراً غريباً، لكنه سر القوة والذكاء. في هذه الطبقة، يتم إغلاق 20% من مسارات المعطيات عشوائياً أثناء التدريب. هذا التجاهل المتعمد يجبر بقية الشبكة على "الاعتماد على نفسها" وعدم الاتكال على مسار واحد مفضل، مما يزيد من مرونة النموذج بشكل هائل.

منع الحفظ التلقائي (فرط التكيف)

يمنع هذا التكتيك مشكلة خطيرة جداً تعرف بـ "فرط التكيف" (Overfitting)، حيث يصبح النموذج بارعاً في حفظ البيانات التاريخية للطقس فاشلاً في التنبؤ الحقيقي. من خلال هذه العشوائية المنظمة، نضمن أن النموذج يتعلم القواعد العامة والمخفية، بدلاً من مجرد حفظ أرقام عابرة لا تتكرر.

للتواصل: IZZELDEENM@GMAIL.COM