Pytorch各种Dropout层应用于详解

目录

torch框架Dropout functions详解

dropout

用途

用法

使用技巧

参数

数学理论公式

代码示例

alpha_dropout

用途

用法

使用技巧

参数

数学理论公式

代码示例 

feature_alpha_dropout

用途

用法

使用技巧

参数

数学理论

代码示例

dropout1d

用途

用法

使用技巧

参数

数学理论

代码示例

dropout2d

用途

用法

使用技巧

参数

数学理论

代码示例

dropout3d

用途

用法

使用技巧

参数

数学理论

代码示例

总结

torch框架Dropout functions详解

dropout

torch.nn.functional.dropout 是 PyTorch 深度学习框架中的一个功能模块，主要用于在训练神经网络时防止过拟合。这个函数通过随机地将输入张量中的某些元素置零来实现正则化效果。

用途

  1. 防止过拟合：在训练过程中，dropout 可以减少对特定神经元的依赖，从而增强模型的泛化能力。
  2. 模型正则化：作为一种正则化技术，可以提高模型对噪声的鲁棒性。

用法

基本用法如下：

output = torch.nn.functional.dropout(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入数据
  • p：零化元素的概率
  • training：是否在训练模式下应用 dropout
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout，在测试或评估阶段关闭。
  3. inplace 参数的使用：只在确保不影响后续计算的情况下使用 inplace 操作。

参数

  • p（float）：元素被零化的概率，默认值为 0.5。
  • training（bool）：如果为 True，则应用 dropout，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论公式

公式：Y=X*M

其中：

  • Y：输出数据
  • X：输入数据
  • M：由伯努利分布生成的掩码，其中 M 中的元素独立且等概率地为 0 或 1/(1-p)​。

代码示例

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(5)# 应用 dropout
output = F.dropout(input, p=0.5, training=True)print(output)  # 输出结果可能类似于 tensor([ 0.0000, -0.0000, -1.8468, 0.0000, -0.0000])

在这个例子中，我们首先定义了一个随机的输入张量 input。接着，我们应用 torch.nn.functional.dropout 函数，并设置 dropout 概率为 0.5。由于 training 参数设置为 True，函数将随机地将一些元素置零。输出结果会显示一些元素为零，而其他元素的值会增加以保持总体激活水平。 

alpha_dropout

torch.nn.functional.alpha_dropout 是 PyTorch 中的一个功能模块，专门用于应用 alpha dropout。Alpha dropout 是一种特殊的 dropout 方法，它不仅随机地将输入张量中的一些元素置零，而且还保持了输入数据的平均值和方差。这种方法特别适用于自归一化的神经网络，如基于 Scaled Exponential Linear Units (SELU) 的网络。

用途

  1. 维持自归一化属性：对于使用 SELU 激活函数的网络，alpha dropout 可以保持输入数据的平均值和方差，有助于维持网络的自归一化属性。
  2. 减少过拟合：和传统的 dropout 一样，alpha dropout 可以减少模型对训练数据的过度拟合。

用法

output = torch.nn.functional.alpha_dropout(input, p=0.5, training=False, inplace=False)

其中：

  • input：输入数据
  • p：元素被零化的概率
  • training：是否在训练模式下应用 alpha dropout
  • inplace：是否原地执行此操作

使用技巧

  1. 适用于 SELU 激活函数的网络：在使用 SELU 激活函数的网络中使用 alpha dropout 可以获得最佳效果。
  2. 训练与测试阶段的差异：确保在训练阶段启用 alpha dropout，在测试或评估阶段关闭。

参数

  • p（float）：元素被零化的概率，默认值为 0.5。
  • training（bool）：如果为 True，则应用 alpha dropout，默认为 False。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论公式

 Y=\begin{Bmatrix} {\alpha }'\cdot M+\alpha , IF \ training\\ X, otherwise \end{Bmatrix}

其中：

  • Y：输出数据
  • X：输入数据
  • M：一个掩码，其中元素独立且等概率地为 0 或 1。
  • α 和 α′：预定义的常数，用于保持输入的平均值和方差。

代码示例 

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(5)# 应用 alpha dropout
output = F.alpha_dropout(input, p=0.5, training=True)print(output)  # 输出结果可能类似于 tensor([-1.7580,  0.0000,  0.0000, -0.6776,  1.3564])

在这个例子中，我们首先定义了一个随机的输入张量 input。接着，我们应用 torch.nn.functional.alpha_dropout 函数，并设置 dropout 概率为 0.5。由于 training 参数设置为 True，函数将根据 alpha dropout 的规则随机地将一些元素置零并调整其他元素的值。

feature_alpha_dropout

 

torch.nn.functional.feature_alpha_dropout 是 PyTorch 中的一个特殊的 dropout 函数，它专门用于随机屏蔽输入张量的整个通道。这种方法在深度学习中尤其适用于保持卷积网络中特征映射（feature maps）的结构完整性。与传统的 dropout 不同，它将激活值设置为 SELU（Scaled Exponential Linear Unit）激活函数的负饱和值，而不是简单地置零。

用途

  1. 维持特征映射的完整性：通过屏蔽整个特征映射，而不是单个激活值，帮助保持特征的结构。
  2. 适用于 SELU 激活的网络：特别适合于使用 SELU 激活函数的网络，因为它保持了激活值的负饱和状态。

用法

output = torch.nn.functional.feature_alpha_dropout(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 feature alpha dropout
  • inplace：是否原地执行此操作

使用技巧

  1. 适用于具有 SELU 激活的网络：这种 dropout 形式特别适合于使用 SELU 激活函数的网络。
  2. 注意训练和测试阶段的差异：确保在训练阶段启用 feature alpha dropout，在测试或评估阶段关闭。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 feature alpha dropout，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

与传统 dropout 相比，feature alpha dropout 不仅仅是将激活值简单地置零。相反，它将被屏蔽的激活值设置为 SELU 激活函数的负饱和值，同时保持输入数据的均值和方差。这是通过对每个通道独立应用伯努利分布来实现的，每个通道被屏蔽的概率为 p。

代码示例

 

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1, 3, 4, 4)  # 假设是一个具有 3 个通道的特征映射# 应用 feature alpha dropout
output = F.feature_alpha_dropout(input, p=0.5, training=True)print(output)  # 输出结果会显示部分通道的激活值被设置为 SELU 的负饱和值

在这个例子中，我们首先定义了一个具有 3 个通道的随机输入张量 input，其形状为 (1, 3, 4, 4)，表示有 1 个样本，3 个通道，每个通道是一个 4x4 的特征映射。然后，我们应用 torch.nn.functional.feature_alpha_dropout 函数，并设置 dropout 概率为 0.5。由于 training 参数设置为 True，函数将随机地选择一些通道并将它们的激活值设置为 SELU 激活函数的负饱和值，而保留其他通道不变。

这种处理方式有助于在训练使用 SELU 激活函数的卷积网络时，保持特征映射的完整性，并减少过拟合。它是一种更精细的正则化方法，特别适用于深度学习中的图像处理和其他需要保持空间结构的应用。

dropout1d

torch.nn.functional.dropout1d 是 PyTorch 中的一个函数，专门用于在一维数据上应用 dropout。它的主要作用是随机将输入张量的整个通道置零。这种方法在处理一维特征映射（例如，在卷积神经网络中处理时间序列数据或一维信号）时特别有用。

用途

  1. 防止一维数据过拟合：通过随机地屏蔽整个通道，dropout1d 减少了模型对单个通道的依赖，从而增强了模型的泛化能力。
  2. 适用于一维特征映射：特别适用于处理一维数据，如时间序列或一维信号。

用法

output = torch.nn.functional.dropout1d(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 dropout1d
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout1d，在测试或评估阶段关闭。
  3. 一维数据结构：确保输入数据的结构符合一维特征映射的形式。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 dropout1d，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

与传统的 dropout 相似，dropout1d 函数在每次前向传播时，都会根据伯努利分布以概率 p 随机选择一些通道并将它们置零。不同之处在于，dropout1d 是对整个一维通道进行操作，而不是单个元素。

代码示例

 

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1,3, 10) # 假设是一个具有 3 个通道的一维特征映射，每个通道有 10 个元素output = F.dropout1d(input, p=0.5, training=True)print(output) # 输出结果可能显示一些通道被完全置零

在这个例子中，我们首先定义了一个随机的一维输入张量 `input`，其形状为 `(1, 3, 10)`，表示有 1 个样本，3 个通道，每个通道有 10 个元素。然后，我们应用 `torch.nn.functional.dropout1d` 函数，并设置 dropout 概率为 0.5。由于 `training` 参数设置为 True，函数将在每次前向传播时随机地选择一些通道并将它们完全置零。这种处理方式有助于在训练一维数据时减少过拟合，尤其适用于处理如音频、时间序列或任何一维信号数据的场景。通过随机地屏蔽整个通道，它鼓励模型学习到更加鲁棒的特征表示。

dropout2d

torch.nn.functional.dropout2d 是 PyTorch 中的一个函数，专用于在二维数据上应用 dropout。这个函数的主要作用是在每次前向传播时，随机将输入张量的整个二维通道（即二维特征映射）置零。这在处理具有空间特征的数据，如图像数据，在卷积神经网络中尤为有用。

用途

  1. 防止二维数据过拟合：通过随机地屏蔽整个通道，dropout2d 减少了模型对单个通道的依赖，从而增强了模型的泛化能力。
  2. 适用于图像处理：特别适用于图像数据等二维特征映射的处理。

用法

output = torch.nn.functional.dropout2d(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 dropout2d
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout2d，在测试或评估阶段关闭。
  3. 二维数据结构：确保输入数据的结构符合二维特征映射的形式。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 dropout2d，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

dropout2d 函数在每次前向传播时，都会根据伯努利分布以概率 p 随机选择一些通道并将它们置零。不同之处在于，dropout2d 是对整个二维通道进行操作，而不是单个元素。

代码示例

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1, 3, 8, 8)  # 假设是一个具有 3 个通道的二维特征映射，每个通道是一个 8x8 的图像# 应用 dropout2d
output = F.dropout2d(input, p=0.5, training=True)print(output)  # 输出结果可能显示一些通道被完全置零

在这个例子中，我们首先定义了一个随机的二维输入张量 input，其形状为 (1, 3, 8, 8)，表示有 1 个样本，3 个通道，每个通道是一个 8x8 的图像（或二维特征映射）。然后，我们应用了 torch.nn.functional.dropout2d 函数，并设置了 dropout 概率为 0.5。由于 training 参数设置为 True，函数将在每次前向传播时随机地选择一些通道并将它们完全置零。这种处理方式有助于在训练图像或其他二维数据时减少过拟合，尤其适用于卷积神经网络中的图像识别、图像分类等场景。通过随机地屏蔽整个通道，它鼓励模型学习到更加鲁棒的特征表示，从而提高模型在新数据上的泛化能力。

dropout3d

torch.nn.functional.dropout3d 是 PyTorch 中的一个函数，用于在三维数据上应用 dropout。这个函数的主要作用是在每次前向传播时，随机将输入张量的整个三维通道（即三维特征映射）置零。这在处理具有三维空间特征的数据，如三维图像或体积数据，在卷积神经网络中尤为有用。

用途

  1. 防止三维数据过拟合：通过随机地屏蔽整个通道，dropout3d 减少了模型对单个通道的依赖，从而增强了模型的泛化能力。
  2. 适用于三维特征映射：特别适用于处理三维数据，如体积医学图像或三维时间序列。

用法

output = torch.nn.functional.dropout3d(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 dropout3d
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout3d，在测试或评估阶段关闭。
  3. 三维数据结构：确保输入数据的结构符合三维特征映射的形式。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 dropout3d，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

dropout3d 函数在每次前向传播时，都会根据伯努利分布以概率 p 随机选择一些通道并将它们置零。不同之处在于，dropout3d 是对整个三维通道进行操作，而不是单个元素。

代码示例

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1, 3, 8, 8, 8)  # 假设是一个具有 3 个通道的三维特征映射，每个通道是一个 8x8x8 的体积数据# 应用 dropout3d
output = F.dropout3d(input, p=0.5, training=True)print(output)  # 输出结果可能显示一些通道被完全置零

在这个例子中，我们首先定义了一个随机的三维输入张量 input，其形状为 (1, 3, 8, 8, 8)，表示有 1 个样本，3 个通道，每个通道是一个 8x8x8 的体积数据。然后，我们应用了 torch.nn.functional.dropout3d 函数，并设置了 dropout 概率为 0.5。由于 training 参数设置为 True，函数将在每次前向传播时随机地选择一些通道并将它们完全置零。这种处理方式有助于在训练涉及三维空间数据的模型时减少过拟合，尤其适用于处理体积医学图像、三维扫描数据或任何涉及三维结构的场景。通过随机地屏蔽整个通道，它鼓励模型学习到更加鲁棒的三维特征表示，从而提高模型在新数据上的泛化能力和性能。在实践中，这种方法可以显著提高三维数据处理任务的准确性和可靠性。

总结

本文解析了 PyTorch 框架中的几种关键的 dropout 函数，包括 dropout、alpha_dropout、feature_alpha_dropout、dropout1d、dropout2d 和 dropout3d。每种方法都针对不同的数据维度和网络特点，提供了有效的过拟合防止和模型正则化策略。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/411268.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

注解实现校验接口传参是否超出取值范围

注解实现校验接口传参是否超出取值范围

文章目录 1、定义注解2、使用注解3、其余校验实现思路2.04、其余校验实现思路3.0 写接口，Dto里很多字段要检验传参范围，自定义个注解来校验。 1、定义注解 注解定义代码： import javax.validation.Constraint; import javax.validation.Con…
阅读更多...
基于python+uniapp的网上订餐系统的设计与实现 微信小程序

基于python+uniapp的网上订餐系统的设计与实现 微信小程序

考虑到实际生活中在晓海网上订餐方面的需要以及对该系统认真的分析，将系统权限按管理员和用户这两类涉及用户划分。 （1）用户功能需求 用户进入APP可以进行首页、系统公告、在线投诉、我的等操作，在我的页面可以对菜品评价、订单信…
阅读更多...
Python GUI库大汇总

Python GUI库大汇总

所有程序都是基于命令行的，这些程序可能只有一些“专业”的计算机人士才会使用。例如前面编写的五子棋等程序，恐怕只有程序员自己才愿意玩这么“糟糕”的游戏，很少有最终用户愿意对着黑乎乎的命令行界面敲命令。 相反，如果为程序…
阅读更多...
计算机系统基础知识揭秘：硬件、处理器和校验码

计算机系统基础知识揭秘：硬件、处理器和校验码

计算机系统基础知识揭秘：硬件、处理器和校验码 一、计算机系统基础知识的重要性二、计算机系统硬件2.1、内存和存储设备2.2、输入输出设备 三、中央处理器（CPU）3.1、运算器3.2、控制器3.3、寄存器组3.4、多核CPU 四、数据表示4.1、原码、反码…
阅读更多...
顶顶通呼叫中心中间件自动外呼来电转人工显示被叫号码而不是显示路由条件 ：一步步配置(mod_cti基于FreeSWITCH)

顶顶通呼叫中心中间件自动外呼来电转人工显示被叫号码而不是显示路由条件 ：一步步配置(mod_cti基于FreeSWITCH)

介绍 顶顶通呼叫中心中间件自动外呼来电转人工显示被叫号码而不是显示自动外呼的路由条件，可以是默认的被叫号码也可以改为显示指定的号码 一、显示默认被叫 1、配置拨号方案 打开ccadmin-》点击拨号方案-》找到进入排队-》配置跟图中一样的通道变量。修改了拨号…
阅读更多...
常见框架漏洞

常见框架漏洞

1.什么是框架 Web框架(Web framework)或者叫做Web应用框架(Web application framework)，是用于进行Web开发的一套软件架构。大多数的Web框架提供了一套开发和部署网站的方式。为Web的行为提供了一套支持的方法。使用Web框架，很多的业务逻辑外的功能不需…
阅读更多...
电商物流查询：未来的发展方向

电商物流查询：未来的发展方向

在电商日益繁荣的时代，物流信息查询不仅关乎消费者体验，更影响着电商运营的效率。快速、准确地追踪物流信息至关重要。本文将简述物流信息快速追踪的价值，并重点介绍固乔快递查询助手这一高效查询工具及其批量查询功能。 一、物流信息快速追踪…
阅读更多...
IIS 缓存, 更新后前端资源不能更新问题

IIS 缓存, 更新后前端资源不能更新问题

解决办法: 通常只需要index.html 不缓存即可, 其他文件都是根据index.html 中的引用去加载; 正确的做法是在 站点下增加 web.config 文件, 内容如下: 我这个是因为目录下有个config.js 配置文件, 也不能缓存, 所以加了两个 <?xml version"1.0" encoding&quo…
阅读更多...
白山云基于StarRocks数据库构建湖仓一体数仓的实践

白山云基于StarRocks数据库构建湖仓一体数仓的实践

背景 随着每天万亿级别的业务数据流向数据湖&#xff0c;数据湖的弊端也逐渐凸显出来&#xff0c;例如&#xff1a; 数据入湖时效性差&#xff1a;数据湖主要依赖于离线批量计算&#xff0c;通常不支持实时数据更新&#xff0c;因此无法保证数据的强一致性&#xff0c;造成数…
阅读更多...
【记录】解决 git 仓库突然出现连接失败

【记录】解决 git 仓库突然出现连接失败

问题描述 今天在 push 代码代码的时候突然发现无法 push(但是我可以正常打开 Gihub)&#xff0c;这可不行&#xff0c;我可是 git 的重度使用者&#x1f60d;&#xff0c;我所有的代码都托管在了 Github 上&#xff0c;没有它我的日子怎么活啊&#xff01;&#xff01;&#x…
阅读更多...
Docker部署Traefik结合内网穿透远程访问Dashboard界面

Docker部署Traefik结合内网穿透远程访问Dashboard界面

文章目录 前言1. Docker 部署 Trfɪk2. 本地访问traefik测试3. Linux 安装cpolar4. 配置Traefik公网访问地址5. 公网远程访问Traefik6. 固定Traefik公网地址 前言 Trfɪk 是一个云原生的新型的 HTTP 反向代理、负载均衡软件&#xff0c;能轻易的部署微服务。它支持多种后端 (D…
阅读更多...
SAP PI/PO 运行ESR报错：无法验证证书，将不执行该应用程序

SAP PI/PO 运行ESR报错：无法验证证书，将不执行该应用程序

java.security.cert.CertificateException: java.security.cert.CertPathValidatorException: OCSP 运行ESR报错 解决方案&#xff1a; 1. 打开控制面板&#xff0c;找到JAVA 这个时候就可以正常打开ESR了
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023