Python PyTorch Dropout2d用法及代码示例

本文简要介绍python语言中 torch.nn.Dropout2d 的用法。

用法:

class torch.nn.Dropout2d(p=0.5, inplace=False)

参数：

• p(float,可选的) -元素为zero-ed的概率。

• inplace(bool,可选的) -如果设置为 True ，将就地执行此操作

将整个通道随机归零(通道是 2D 特征图，例如，批处理输入中第 i 样本的第 j 通道是 2D 张量 \text{input}[i, j] )。使用来自伯努利分布的样本，每个通道将在每次前向调用时以p 的概率独立清零。

通常输入来自nn.Conv2d 模块。

如论文中所述使用卷积网络的高效对象定位，如果特征图中的相邻像素是强相关的(通常在早期卷积层中就是这种情况)，那么 i.i.d. dropout 不会规范激活，否则只会导致有效的学习率降低。

在这种情况下，nn.Dropout2d() 将有助于促进特征图之间的独立性，应改为使用。

形状：

• 输入：(N, C, H, W) 或 (C, H, W) 。

• 输出：(N, C, H, W) 或 (C, H, W)(与输入的形状相同)。

例子：

>>> m = nn.Dropout2d(p=0.2)
>>> input = torch.randn(20, 16, 32, 32)
>>> output = m(input)