1.Dropout原理

1.概述
作用：防止過擬合
方法：訓練時，隨機停止某些神經元的參數訓練
2. Dropout工作流程及使用
2.1 Dropout具體工作流程
假設我們要訓練這樣一個神經網絡，如圖2所示。

上圖表示標準的神經網絡。

輸入是x輸出是y，正常的流程是：我們首先把x通過網絡前向傳播，然后把誤差反向傳播以決定如何更新參數讓網絡進行學習。使用Dropout之后，過程變成如下：
（1）首先隨機（臨時）刪掉網絡中一半的隱藏神經元，輸入輸出神經元保持不變（圖3中虛線為部分臨時被刪除的神經元）

（2） 然后把輸入x通過修改后的網絡前向傳播，然后把得到的損失結果通過修改的網絡反向傳播。一小批訓練樣本執行完這個過程后，在沒有被刪除的神經元上按照隨機梯度下降法更新對應的參數（w，b）。

（3）然后繼續重復這一過程：

. 恢復被刪掉的神經元（此時被刪除的神經元保持原樣，而沒有被刪除的神經元已經有所更新）

. 從隱藏層神經元中隨機選擇一個一半大小的子集臨時刪除掉（備份被刪除神經元的參數）。

. 對一小批訓練樣本，先前向傳播然后反向傳播損失并根據隨機梯度下降法更新參數（w，b） （沒有被刪除的那一部分參數得到更新，刪除的神經元參數保持被刪除前的結果）。

Dropout在神經網絡中的使用

Dropout的具體工作流程上面已經詳細的介紹過了，但是具體怎么讓某些神經元以一定的概率停止工作（就是被刪除掉）？代碼層面如何實現呢？

下面，我們具體講解一下Dropout代碼層面的一些公式推導及代碼實現思路。

（1）在訓練模型階段

無可避免的，在訓練網絡的每個單元都要添加一道概率流程。

圖4：標準網絡和帶有Dropout網絡的比較

對應的公式變化如下：

. 沒有Dropout的網絡計算公式：

. 采用Dropout的網絡計算公式：

上面公式中Bernoulli函數是為了生成概率r向量，也就是隨機生成一個0、1的向量。

代碼層面實現讓某個神經元以概率p停止工作，其實就是讓它的激活函數值以概率p變為0。比如我們某一層網絡神經元的個數為1000個，其激活函數輸出值為y1、y2、y3、…、y1000，我們dropout比率選擇0.4，那么這一層神經元經過dropout后，1000個神經元中會有大約400個的值被置為0。

注意： 經過上面屏蔽掉某些神經元，使其激活值為0以后，我們還需要對向量y1……y1000進行縮放，也就是乘以1/(1-p)。如果你在訓練的時候，經過置0后，沒有對y1……y1000進行縮放（rescale），那么在測試的時候，就需要對權重進行縮放，操作如下。

在測試模型階段

預測模型的時候，每一個神經單元的權重參數要乘以概率p。

圖5：預測模型時Dropout的操作
測試階段Dropout公式：

3.通過代碼理解

# coding:utf-8 import numpy as np# dropout函數的實現，函數中，x是本層網絡的激活值。Level就是dropout就是每個神經元要被丟棄的概率。 def dropout(x, level):if level < 0. or level >= 1: #level是概率值，必須在0~1之間raise ValueError('Dropout level must be in interval [0, 1[.')retain_prob = 1. - level# 我們通過binomial函數，生成與x一樣的維數向量。binomial函數就像拋硬幣一樣，我們可以把每個神經元當做拋硬幣一樣# 硬幣 正面的概率為p，n表示每個神經元試驗的次數# 因為我們每個神經元只需要拋一次就可以了所以n=1，size參數是我們有多少個硬幣。random_tensor = np.random.binomial(n=1, p=retain_prob, size=x.shape) #即將生成一個0、1分布的向量，0表示這個神經元被屏蔽，不工作了，也就是dropout了print(random_tensor)x *= random_tensorprint(x)x /= retain_probreturn x#對dropout的測試，大家可以跑一下上面的函數，了解一個輸入x向量，經過dropout的結果 x=np.asarray([1,2,3,4,5,6,7,8,9,10],dtype=np.float32) print(dropout(x,0.4)) import torch import torch.nn as nn import torch.nn.functional as Fclass LinearFC(nn.Module):def __init__(self):super(LinearFC, self).__init__()self.fc = nn.Linear(3, 2)def forward(self, input):out = self.fc(input)out = F.dropout(out, p=0.5, training=self.training)return outNet = LinearFC() x = torch.randint(10, (2, 3)).float() # 隨機生成不大于10的整數，轉為float, 因為nn.linear需要float類型數據 Net.train() output = Net(x) print(output)# train the Net

第一步Net = LinearFC()，生成$W$和$b$:

W=tensor([[-0.5347, 0.3559, 0.0637],[-0.5676, -0.0257, 0.1802]], requires_grad=True) b=tensor([0.4141, 0.4688], requires_grad=True)

第二步x = torch.randint(10, (2, 3)).float()，隨機生成不大于10的整數，轉為float, 因為nn.linear需要float類型數據

x=tensor([[3., 2., 0.],[2., 6., 8.]])

第三步 output = Net(x) out = self.fc(input)進入forward， $out=x\times W^T+b$，代碼實現：torch.mm(x, Net.fc.weight.t()) + Net.fc.bias

tensor([[-0.4783, -1.2855],[ 1.9898, 0.6210]], grad_fn=<AddBackward0>)

第四步，dropout，公式$out=out/(1?0.5)在以0.5概率置為0$

(torch.mm(x, Net.fc.weight.t()) + Net.fc.bias)/(1-0.5)= tensor([[-0.9565, -2.5710],[ 3.9796, 1.2420]], grad_fn=<DivBackward0>) out= tensor([[-0.0000, -0.0000],[0.0000, 1.2420]], grad_fn=<MulBackward0>)

可以看到經過dropout之后，數據變為：tensor([[-0.0000, -0.0000], [0.0000, 1.2420]], grad_fn=<MulBackward0>)

轉載：https://blog.csdn.net/powu0193/article/details/99573632

總結

以上是生活随笔為你收集整理的dropout理解(一)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。