mindspore.mint.nn.functional.dropout2d
======================================

.. image:: https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/website-images/master/resource/_static/logo_source.svg
    :target: https://gitee.com/mindspore/mindspore/blob/master/docs/api/api_python/mint/mindspore.mint.nn.functional.dropout2d.rst
    :alt: 查看源文件


.. py:function:: mindspore.mint.nn.functional.dropout2d(input, p=0.5, training=True)

    在训练期间，根据伯努利分布，以概率 `p` 随机将输入Tensor的某些通道置零（对于shape为 :math:`(N, C, H, W)` 的四维Tensor，其通道特征图指的是后两维shape为 :math:`(H, W)` 的二维特征图）。

    例如，在批处理输入中， :math:`i\_th` 批的 :math:`j\_th` 通道有一个待处理的 `2D` Tensor `input[i, j]`。
    每个通道在每次前向传播时，将会独立地根据伯努利分布的概率 `p` 来确定是否被置零。
    论文 `Dropout: A Simple Way to Prevent Neural Networks from Overfitting <http://www.cs.toronto.edu/~rsalakhu/papers/srivastava14a.pdf>`_ 中提出了该技术，并证明其能有效地减少过度拟合，防止神经元共适应。更多详细信息，请参见 `Improving neural networks by preventing co-adaptation of feature detectors <https://arxiv.org/pdf/1207.0580.pdf>`_ 。
    
    `dropout2d` 可以提高通道特征映射之间的独立性。

    .. warning::
        这是一个实验性API，后续可能修改或删除。

    参数：
        - **input** (Tensor) - 一个shape为 :math:`(N, C, H, W)` 的四维Tensor，其中 `N` 是批处理大小， `C` 是通道数， `H` 是特征高度， `W` 是特征宽度。
        - **p** (float，可选) - 通道的丢弃概率，介于 0 和 1 之间。例如 `p` = 0.8，意味着80%的清零概率。默认值： ``0.5`` 。
        - **training** (bool，可选) - 如果training为True, 则执行对 `input` 的某些通道概率清零的操作。否则，不执行此操作。默认值： ``True`` 。

    返回：
        Tensor，输出，具有与输入 `input` 相同的shape和数据类型。

    异常：
        - **TypeError** - `input` 不是Tensor。
        - **TypeError** - `p` 的数据类型不是float。
        - **ValueError** - `p` 值不在 `[0.0，1.0]` 之间。