Skip to content

Latest commit

 

History

History
133 lines (105 loc) · 5.35 KB

dropout_cn.rst

File metadata and controls

133 lines (105 loc) · 5.35 KB
Raw

dropout

Dropout是一种正则化手段，该算子根据给定的丢弃概率 p ，在训练过程中随机将一些神经元输出设置为0，通过阻止神经元节点间的相关性来减少过拟合。

参数

  • x (Tensor): 输入的多维 Tensor ，数据类型为：float32、float64。
  • p (float): 将输入节点置0的概率，即丢弃概率。默认: 0.5。
  • axis (int|list): 指定对输入 Tensor 进行dropout操作的轴。默认: None。
  • training (bool): 标记是否为训练阶段。 默认: True。

  • mode (str): 丢弃单元的方式，有两种'upscale_in_train'和'downscale_in_infer'，默认: 'upscale_in_train'。计算方法如下:

    1. upscale_in_train, 在训练时增大输出结果。
      • train: out = input * mask / ( 1.0 - p )
      • inference: out = input
    2. downscale_in_infer, 在预测时减小输出结果
      • train: out = input * mask
      • inference: out = input * (1.0 - p)
  • name (str，可选): 操作的名称(可选，默认值为None）。更多信息请参见 api_guide_Name 。

返回

经过dropout之后的结果，与输入x形状相同的 Tensor 。

使用示例1

axis参数的默认值为None。当 axis=None 时，dropout的功能为: 对输入张量x中的任意元素，以丢弃概率p随机将一些元素输出置0。这是我们最常见的dropout用法。

  • 下面以一个示例来解释它的实现逻辑，同时展示其它参数的含义。
假定x是形状为2*3的2维张量:
[[1 2 3]
 [4 5 6]]
在对x做dropout时，程序会先生成一个和x相同形状的mask张量，mask中每个元素的值为0或1。
每个元素的具体值，则是依据丢弃概率从伯努利分布中随机采样得到。
比如，我们可能得到下面这样一个2*3的mask:
[[0 1 0]
 [1 0 1]]
将输入x和生成的mask点积，就得到了随机丢弃部分元素之后的结果:
[[0 2 0]
 [4 0 6]]
假定dropout的概率使用默认值，即 ``p=0.5`` ，若mode参数使用默认值，即 ``mode='upscale_in_train'`` ，
则在训练阶段，最终增大后的结果为:
[[0 4 0 ]
 [8 0 12]]
在测试阶段，输出跟输入一致:
[[1 2 3]
 [4 5 6]]
若参数mode设置为'downscale_in_infer'，则训练阶段的输出为:
[[0 2 0]
 [4 0 6]]
在测试阶段，缩小后的输出为:
[[0.5 1.  1.5]
 [2.  2.5 3. ]]

使用示例2

若参数axis不为None，dropout的功能为：以一定的概率从图像特征或语音序列中丢弃掉整个通道。

  • axis应设置为: [0,1,...,ndim(x)-1] 的子集（ndim(x)为输入x的维度），例如:
  • 若x的维度为2，参数axis可能的取值有4种: None, [0], [1], [0,1]
  • 若x的维度为3，参数axis可能的取值有8种: None, [0], [1], [2], [0,1], [0,2], [1,2], [0,1,2]
  • 下面以维度为2的输入张量展示axis参数的用法:
假定x是形状为2*3的2维Tensor:
[[1 2 3]
 [4 5 6]]
(1) 若 ``axis=[0]`` ， 则表示只在第0个维度做dropout。这时生成mask的形状为2*1。
  例如，我们可能会得到这样的mask:
  [[1]
   [0]]
  这个2*1的mask在和x做点积的时候，会首先广播成一个2*3的矩阵:
  [[1 1 1]
   [0 0 0]]
  点积所得的结果为:
  [[1 2 3]
   [0 0 0]]
  之后依据其它参数的设置，得到最终的输出结果。

(2) 若 ``axis=[1]`` ，则表示只在第1个维度做dropout。这时生成的mask形状为1*3。
  例如，我们可能会得到这样的mask:
  [[1 0 1]]
  这个1*3的mask在和x做点积的时候，会首先广播成一个2*3的矩阵:
  [[1 0 1]
   [1 0 1]]
  点积所得结果为:
  [[1 0 3]
   [4 0 6]]
(3) 若 ``axis=[0, 1]`` ，则表示在第0维和第1维上做dropout。此时与默认设置 ``axis=None`` 的作用一致。

若输入x为4维张量，形状为 NCHW , 当设置 axis=[0,1] 时，则只会在通道 N 和 C 上做dropout，通道 H 和 W 的元素是绑定在一起的，即： paddle.nn.functional.dropout(x, p, axis=[0,1]) ， 此时对4维张量中的某个2维特征图(形状 HW )，或者全部置0，或者全部保留，这便是dropout2d的实现。详情参考 cn_api_nn_functional_dropout2d 。

类似的，若输入x为5维张量，形状为 NCDHW , 当设置 axis=[0,1] 时，便可实现dropout3d。详情参考 cn_api_nn_functional_dropout3d 。

Note

关于广播(broadcasting)机制，如您想了解更多，请参见 cn_user_guide_broadcasting 。

代码示例

import paddle
import numpy as np

x = np.array([[1,2,3], [4,5,6]]).astype('float32')
x = paddle.to_tensor(x)
y_train = paddle.nn.functional.dropout(x, 0.5)
y_test = paddle.nn.functional.dropout(x, 0.5, training=False) #test
y_0 = paddle.nn.functional.dropout(x, axis=0)
y_1 = paddle.nn.functional.dropout(x, axis=1)
y_01 = paddle.nn.functional.dropout(x, axis=[0,1])
print(x)
print(y_train)
print(y_test)
print(y_0)
print(y_1)
print(y_01)