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)