IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 【PytorchLearning】Dropout | 内部机制及代码复现 -> 正文阅读

[人工智能]【PytorchLearning】Dropout | 内部机制及代码复现

Dropout

1.CLASS torch.nn.Dropout(p=0.5, inplace=False)

训练过程中按照概率p随机地将输入张量中的元素置为0

evere channel will be zeroed out independently on every forward call.

Parameters:

  • p(float):每个元素置为0的概率,默认是0.5
  • inplace(bool):是否对原始张量进行替换

Shape

  • intput(*):any shape
  • out(*):the same shape as input

Examples

m = nn.Dropout(p=0.2)
input = torch.randn(20, 16)
output = m(input)

2.TORCH.NN.FUNCTIONAL.DROPOUT

torch.nn.functional.dropout(input, p=0.5, training=True, inplace=False),内部细节与Dropout相同

Parameters:

  • p (float) – probability of an element to be zeroed. Default: 0.5
  • training (bool) – apply dropout if is True. Default: True
  • inplace (bool) – If set to True, will do this operation in-place. Default: False

Retrun Type:

? Tensor

3.Question

  1. Dropout中没有training这个参数,那么他怎么区分train和test?
  2. 为什么Dropout在训练的时候的推理的时候运算逻辑不一样?
  3. pytorch内部是如何实现Dropout的(训练、推理)?
  4. Dropout在训练和推理过程中有较大的区别,那么如何去改进?
  5. 为什么要用Dropout,Dropout在网络中的直观影像是什么?

1.Dropout继承自torch.nn.module,torch.nn.module内置的成员变量就包含training选项,其默认值为True。当我们训练模型时,不用指定就内置为True;当推理模型时,model.eval()会自动将training设置为False,从而不采用dropout进行推理(也不采用BN)

2.因为dropout是带有随机性的,如果 infer 也做的话,网络的输出就不稳定(同样一个样本,整体预测结果每次都可能变化)

3.主要是用c实现的,包括二项伯努利分布、mask操作

4.使用Inverted Dropout的方式进行改进,只在训练过程中对数据分布进行改动,即先dropout再rescale,保证总期望不变

5 使用dropout相当于在引入多个不同的模型,可以使网络具有更好的泛化性能从而避免过拟合

Furthermore, the outputs are scaled by a factor of
f r e s c a l e = 1 1 ? p f_{rescale}=\frac {1}{1-p} frescale?=1?p1?
during training. This means that during evaluation the module simply computes an identity function.

首先,dropout是带有随机性的,如果 infer 也做的话,网络的输出就不稳定(同样一个样本,整体预测结果每次都可能变化)。在 infer 不做 dropout 的前提下,为了保证训练和预测过程的分布一致,需要对 infer 进行 rescale,也就是原始论文中将infer数据进行1-p倍缩小的做法,这种方式会导致预测过程依赖训练过程,模型推理的变动较大;于是Inverted Dropout提出只在训练过程中对数据分布进行修改,即先遮盖掉p的节点,然后再放大为1/(1-p)倍,这样在infer的过程中就不必对数据进行变动。即训练过程中随机扔掉了一些节点,但是rescale之后总期望又被拉回到了原来的水平。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HdMVGnbM-1667478261933)(C:\Users\marlowe\Desktop\paperReading\神经网络基础知识\IMG\2-1.png)]

numpy实现

1.vanilla dropout

imoport numpy as np

def van_train(reate,x,w1,b1,w2,b2):
    
    layer1=np.maxinum(0,np.dot(w1,x)+b1)
    mask1=np.random.binomial(1,1-rate,layer1.shape)# random.binomial(n, p, size=None)
    layer1=layer1*mask1
    
    layer2=np.maxinum(0,np.dot(w2,layer1)+b2)
    mask2=np.random.binomial(1,1-rate,layer2.shape)# random.binomial(n, p, size=None)
    layer2=layer2*mask2
    
    return layer2


def van_test(rate,x,w1,b1,w2,b2):
    layer1=np.maxinum(0,np.dot(w1,x)+b1)
    layer1=layer1*(1-rate)
    
    layer2=np.maximun(0,np.dot(w2,layer1)+b2)
    layer2=layer2*(1-rate)
    
    return layer2

2.inverted dropout

import numpy as np

def inv_train(rate,x,w1,b1,w2,b2):
    
    layer1=np.maxinum(0,np.dot(w1,x)+b1)
    mask1=np.random.binomial(1,1-rate,layer1.shape)# random.binomial(n, p, size=None)
    layer1=layer1*mask1
    layer1/=1-rate
    
    layer2=np.maxinum(0,np.dot(w2,layer1)+b2)
    mask2=np.random.binomial(1,1-rate,layer2.shape)# random.binomial(n, p, size=None)
    layer2=layer2*mask2
    layer2/=1-rate
    
    return layer2


def inv_test(x,w1,b1,w2,b2):# 不需要使用rate进行缩放
    layer1=np.maxinum(0,np.dot(w1,x)+b1)
    
    layer2=np.maximun(0,np.dot(w2,layer1)+b2)
    
    return layer2
  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2022-11-05 00:28:48  更:2022-11-05 00:31:38 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年3日历 -2024/3/29 10:14:25-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码