mindspore.mint.nn.functional.dropout2d
- mindspore.mint.nn.functional.dropout2d(input, p=0.5, training=True)[源代码]
在训练期间,以服从伯努利分布的概率 p 随机将输入Tensor的某些通道归零(对于形状为 \(NCHW\) 的四维Tensor,其通道特征图指的是后两维 \(HW\) 形状的二维特征图)。 例如,在批处理输入中 \(i\_th\) 批, \(j\_th\) 通道的 input[i, j] 2D Tensor 是一个待处理数据。 每个通道将会独立依据伯努利分布概率 p 来确定是否被清零。 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) - 一个形状为 \((N, C, H, W)\) 的 4D 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) - 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) - 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。默认值:
True
。
- 返回:
Tensor,输出,具有与输入 input 相同的形状和数据类型。
- 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)