Python tf.nn.dropout用法及代碼示例

計算 dropout：隨機將元素設置為零以防止過度擬合。

用法

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

警告：你應該考慮使用tf.nn.experimental.stateless_dropout而不是這個函數。和...之間的不同tf.nn.experimental.stateless_dropout這個函數類似於tf.random.stateless_uniform和tf.random.uniform.請參見隨機數生成TF 中各種 RNG 係統的詳細說明指南。正如指南所述，傳統的有狀態 RNG 操作像tf.random.uniform和tf.nn.dropout尚未棄用，但非常不鼓勵，因為它們的狀態難以控製。

注意：dropout 的行為在 TensorFlow 1.x 和 2.x 之間發生了變化。轉換 1.x 代碼時，請使用命名參數以確保行為保持一致。

另請參閱：tf.keras.layers.Dropout 用於 dropout 層。

Dropout 對於正則化 DNN 模型很有用。輸入元素被隨機設置為零(並且其他元素被重新縮放)。這鼓勵每個節點獨立有用，因為它不能依賴其他節點的輸出。

更準確地說：x 的 rate 元素的概率設置為 0 。其餘元素按 1.0 / (1 - rate) 放大，以便保留預期值。

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]])>

默認情況下，每個元素都是獨立保留或刪除的。如果指定了noise_shape，則必須廣播到x的形狀，並且隻有具有noise_shape[i] == shape(x)[i]的維度才會做出獨立的決定。這對於從圖像或序列中刪除整個通道很有用。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)