Python tf.nn.dropout用法及代码示例

计算 dropout：随机将元素设置为零以防止过度拟合。

用法

tf.nn.dropout(
    x, rate, noise_shape=None, seed=None, name=None
)

警告：你应该考虑使用tf.nn.experimental.stateless_dropout而不是这个函数。和...之间的不同tf.nn.experimental.stateless_dropout这个函数类似于tf.random.stateless_uniform和tf.random.uniform.请参见随机数生成TF 中各种 RNG 系统的详细说明指南。正如指南所述，传统的有状态 RNG 操作像tf.random.uniform和tf.nn.dropout尚未弃用，但非常不鼓励，因为它们的状态难以控制。

注意：dropout 的行为在 TensorFlow 1.x 和 2.x 之间发生了变化。转换 1.x 代码时，请使用命名参数以确保行为保持一致。

另请参阅：tf.keras.layers.Dropout 用于 dropout 层。

Dropout 对于正则化 DNN 模型很有用。输入元素被随机设置为零(并且其他元素被重新缩放)。这鼓励每个节点独立有用，因为它不能依赖其他节点的输出。

更准确地说：x 的 rate 元素的概率设置为 0 。其余元素按 1.0 / (1 - rate) 放大，以便保留预期值。

tf.random.set_seed(0)
x = tf.ones([3,5])
tf.nn.dropout(x, rate = 0.5, seed = 1).numpy()
array([[2., 0., 0., 2., 2.],
     [2., 2., 2., 2., 2.],
     [2., 0., 2., 0., 2.]], dtype=float32)

tf.random.set_seed(0)
x = tf.ones([3,5])
tf.nn.dropout(x, rate = 0.8, seed = 1).numpy()
array([[0., 0., 0., 5., 5.],
     [0., 5., 0., 5., 0.],
     [5., 0., 5., 0., 5.]], dtype=float32)

tf.nn.dropout(x, rate = 0.0) == x
<tf.Tensor:shape=(3, 5), dtype=bool, numpy=
  array([[ True,  True,  True,  True,  True],
         [ True,  True,  True,  True,  True],
         [ True,  True,  True,  True,  True]])>

默认情况下，每个元素都是独立保留或删除的。如果指定了noise_shape，则必须广播到x的形状，并且只有具有noise_shape[i] == shape(x)[i]的维度才会做出独立的决定。这对于从图像或序列中删除整个通道很有用。例如：

tf.random.set_seed(0)
x = tf.ones([3,10])
tf.nn.dropout(x, rate = 2/3, noise_shape=[1,10], seed=1).numpy()
array([[0., 0., 0., 3., 3., 0., 3., 3., 3., 0.],
     [0., 0., 0., 3., 3., 0., 3., 3., 3., 0.],
     [0., 0., 0., 3., 3., 0., 3., 3., 3., 0.]], dtype=float32)