Vanilla鲁棒技术

Vanilla 鲁棒技术是指在深度学习模型中使用最简单的、基本的、不加调整的技术来提高模型的鲁棒性。这种技术的目的是提高模型对不同输入的适应能力，从而使其更加健壮和可靠。

Vanilla 鲁棒技术通常包括以下方法：

1. 数据增强：通过对训练数据进行一些随机变换，如旋转、平移、缩放等，来增加模型对不同输入的适应能力。

2. Dropout：在训练过程中随机删除一些神经元，以减少模型对特定输入的依赖性，从而提高其鲁棒性。

3. Early stopping：在训练过程中，当模型的性能在验证集上停止提高时，停止训练，以避免过拟合。

4. L1/L2 正则化：通过在损失函数中添加 L1/L2 正则化项，限制模型参数的大小，以避免过拟合。

Vanilla 鲁棒技术虽然简单，但在实践中已经证明是有效的，可以有效提高深度学习模型的鲁棒性。