1 理論部分

首先說(shuō)明一點(diǎn)，dropout是用來(lái)解決overfitting的，如果在訓(xùn)練集上實(shí)驗(yàn)效果就不理想，那么加了dropout也救不了。

1.1 training時(shí)的dropout

使用了Dropout之后，訓(xùn)練的時(shí)候，每個(gè)神經(jīng)元都有p的概率不向后傳遞自己的信息。

把上圖畫(huà)×的申請(qǐng)?jiān)恋?#xff08;因?yàn)檫@些神經(jīng)元不傳遞自己的信息，在本輪training中是沒(méi)有作用的），可以得到一個(gè)更“細(xì)”的神經(jīng)網(wǎng)路

但這并不代表其他的神經(jīng)元沒(méi)有作用了。對(duì)每個(gè)mini-batch，我們重新計(jì)算那些神經(jīng)元參與傳遞哪些沒(méi)有。所以最后所有的參數(shù)都會(huì)被更新的。

1.2 testing時(shí)的dropout

測(cè)試模型的時(shí)候，神經(jīng)元就都是相連的了，只不過(guò)權(quán)重值得乘以(1-p%)

從另一個(gè)視角看dropput，它相當(dāng)于把一堆共享參數(shù)的model整合起來(lái)

2? pytorch實(shí)現(xiàn)Dropout

Dropout訓(xùn)練的時(shí)候，需要聲明model.train()（不聲明也行，因?yàn)槟J(rèn)是train狀態(tài)）

Dropout測(cè)試的時(shí)候，則是需要聲明model.eval()（如果不希望開(kāi)啟dropout進(jìn)行訓(xùn)練，所有的神經(jīng)元都參與前向傳播和反向傳播的話(huà)，在訓(xùn)練階段開(kāi)啟前聲明model.eval()即可）

#導(dǎo)入庫(kù) import torch#神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)聲明 net=torch.nn.Sequential(torch.nn.Linear(1,16),torch.nn.Dropout(p=0.5),torch.nn.ReLU(),torch.nn.Linear(16,2))net.train() net.eval() net ''' Sequential((0): Linear(in_features=1, out_features=16, bias=True)(1): Dropout(p=0.5, inplace=False)(2): ReLU()(3): Linear(in_features=16, out_features=2, bias=True) ) '''

?

總結(jié)

以上是生活随笔為你收集整理的pytorch 笔记 ：实现Dropout的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。