mindspore.mint.nn.functional.dropout2d

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 $(N,C,H,W)$ 的四维Tensor，其通道特征图指的是后两维shape为 $(H,W)$ 的二维特征图）。

例如，在批处理输入中， $i\mathrm{\_}th$ 批的 $j\mathrm{\_}th$ 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 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 。

dropout2d 可以提高通道特征映射之间的独立性。

警告

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 $(N,C,H,W)$ 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。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> input = Tensor(np.ones([2, 1, 2, 3]), mindspore.float32)
>>> output = mint.nn.functional.dropout2d(input, 0.5)
>>> print(output.shape)
(2, 1, 2, 3)