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)