mindspore.ops.dropout1d

mindspore.ops.dropout1d(input, p=0.5, training=True)

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 \(NCL\) 的三维Tensor，其通道特征图指的是后一维 \(L\) 的一维特征图）。 例如，在批处理输入中 \(i\_th\) 批， \(j\_th\) 通道的 input[i, j] 1D 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 。

dropout1d 可以提高通道特征映射之间的独立性。

参数：

• input (Tensor) - 一个shape为 \((N, C, L)\) 或 \((C, L)\) 的 3D 或 2D Tensor，其中N是批处理大小，C 是通道数，L 是特征长度。其数据类型应为int8、int16、int32、int64、float16、float32或float64。

• 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) - 是否启用dropout功能。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。

• ValueError - input 的维度不是 2D 或 3D。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> input_x = Tensor(np.random.randn(4, 3), mindspore.float32)
>>> output = ops.dropout1d(input_x, 0.5)
>>> print(output.shape)
(4, 3)