丢弃法的实现

一、从零开始实现

1、实现 dropout_layer 函数，该函数以dropout的概率丢弃张量输入X中的元素，重新缩放剩余部分：将剩余部分除以1.0-dropout

import torch
from torch import nn
from d2l import torch as d2l
 
# dropout：丢弃概率P，是一个超参数
# dropout_layer函数：以dropout的概率丢弃张量X中的元素
def dropout_layer(X, dropout):
     
    # assert：断言。表示程序只有在符合以下条件下才能正常运行
    assert 0 <= dropout <= 1
     
     
    # 在本情况中，所有元素都被丢弃。
    if dropout == 1:
        #返回全0
        return torch.zeros_like(X)
    # 在本情况中，所有元素都被保留。
    if dropout == 0:
        #表示不用丢
        return X
     
    # torch.randn()随机生成了一个和X.shape相同的mask，均值为“0”，方差为“1”
    # 且大于dropout的地方设置为1，其他地方设置为0
    mask = (torch.randn(X.shape)> dropout).float()
    print(mask)
     
    # mask * X / (1.0 - dropout)没有丢弃的输入部分的值会因为表达式的分母存在而改变，而训练数据的标签还是原来的值
    # mask * X 不是矩阵的乘法，而是阿达马积
    return mask * X / (1.0 - dropout)

2、测试dropout_layer函数

X = torch.arange(16, dtype=torch.float32).reshape((2, 8))
#print(X)
 
# dropout=0，则不发生变化
print(dropout_layer(X, 0.))
 
#dropout=0.5，则以0.5的概率随机变化
print(dropout_layer(X, 0.5))
 
# dropout=1，则全部变成0
print(dropout_layer(X, 1.))

# 输出结果

tensor([[ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11., 12., 13., 14., 15.]])
tensor([[1., 0., 0., 1., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 1., 0., 0.]])
tensor([[ 0.,  0.,  0.,  6.,  0.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  0.,  0., 26.,  0.,  0.]])
tensor([[0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0.]])

3、定义模型参数

1	`num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256`

4、定义模型

# dropout1：第一个隐藏层的丢失概率
# dropout2：第二个隐藏层的丢失概率
dropout1, dropout2 = 0.2, 0.5
 
class Net(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
         
        #两个隐藏层，就有三个线性层
        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()
 
    def forward(self, X):
         
        # H1：第一个隐藏层的输出
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
         
        # 只有在训练模型时才使用dropout
        if self.training == True:
            # 在第一个全连接层之后添加一个dropout层
            H1 = dropout_layer(H1, dropout1)
         
        # 把H1作为输入进第二个隐藏层
        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)
             
        # 把 H2 作为输入传递给输出层    
        out = self.lin3(H2)
        return out
 
net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)

5、训练和测试

num_epochs, lr, batch_size = 10, 0.5, 256
 
loss = nn.CrossEntropyLoss()
 
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)

二、简介实现

1、对于高级API，我们所需要做的就是在每个全连接层之后添加一个Dropout层，将丢弃概率作为唯一的参数传递给它的构造函数

2、在训练过程中，Dropout层将根据指定的丢弃概率随机丢弃上一层的输出（相当于下一层的输入）。

3、当不处于训练模式时，Dropout层仅在测试时传递数据。

# Flatten将数据变为二维
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))
 
'''
torch.nn.init.normal_(tensor, mean=0, std=1)
使值服从正态分布N(mean, std)，默认值为0，1
 
tensor – n维的torch.Tensor
mean – 正态分布的均值
std – 正态分布的标准差
'''
def init_weights(m):
    if type(m) == nn.Linear:
         
        # 权重初始化
        nn.init.normal_(m.weight, std=0.01)
 
         
net.apply(init_weights);