Dropout
定义Dropout函数
import torchfrom torchimport nnfrom d2limport torchas d2ldefdropout_layer(X, dropout):assert0<= dropout<=1# 在本情况中,所有元素都被丢弃if dropout==1:return torch.zeros_like(X)# 在本情况中,所有元素都被保留if dropout==0:return X
mask=(torch.rand(X.shape)> dropout).float()return mask* X/(1.0- dropout)
mask用来生成 0 或 1 的随机数。
mask * X /(1.0 - dropout) 用来保证期望不发生变化。
测试一下
X= torch.arange(16, dtype= torch.float32).reshape((2,8))print(X)print(dropout_layer(X,0.))print(dropout_layer(X,0.5))print(dropout_layer(X,1.))
tensor([[ 0., 1., 2., 3., 4., 5., 6., 7.],
[ 8., 9., 10., 11., 12., 13., 14., 15.]])
tensor([[ 0., 1., 2., 3., 4., 5., 6., 7.],
[ 8., 9., 10., 11., 12., 13., 14., 15.]])
tensor([[ 0., 0., 4., 6., 0., 0., 0., 0.],
[16., 18., 20., 0., 0., 26., 0., 30.]])
tensor([[0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0.]])
从零开始实现
定义模型参数
num_inputs, num_hiddens1, num_hiddens2, num_outputs=784,256,256,10
两个隐藏层的感知机,即有三个线性层
定义模型
dropout1, dropout2=0.2,0.5classNet(nn.Module):def__init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2,
is_training=True):super(Net, self).__init__()
self.num_inputs= num_inputs
self.training= is_training
self.lin1= nn.Linear(num_inputs, num_hiddens1)
self.lin2= nn.Linear(num_hiddens1, num_hiddens2)
self.lin3= nn.Linear(num_hiddens2, num_outputs)
self.relu= nn.ReLU()defforward(self, X):
H1= self.relu(self.lin1(X.reshape((-1, self.num_inputs))))# 只有在训练模型时才使用dropoutif self.training==True:# 在第一个全连接层之后添加一个dropout层
H1= dropout_layer(H1, dropout1)
H2= self.relu(self.lin2(H1))if self.training==True:# 在第二个全连接层之后添加一个dropout层
H2= dropout_layer(H2, dropout2)
out= self.lin3(H2)return out
net= Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)
训练
num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
简易实现
定义模型
net= nn.Sequential(nn.Flatten(),
nn.Linear(784,256),
nn.ReLU(),# 在第一个全连接层之后添加一个dropout层
nn.Dropout(dropout1),
nn.Linear(256,256),
nn.ReLU(),# 在第二个全连接层之后添加一个dropout层
nn.Dropout(dropout2),
nn.Linear(256,10))#初始化权重definit_weights(m):iftype(m)== nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights);
输出层并不需要Dropout
训练
trainer= torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)