mindspore.ops.dropout2d

mindspore.ops.dropout2d(x, p=0.5)[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。

参数:
  • x (Tensor) - 一个形状为 \((N, C, H, W)\)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。其数据类型应为int8、int16、int32、int64、float16、float32或float64。

  • 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。

返回:

Tensor,输出,具有与输入 x 相同的形状和数据类型。

Tensor,掩码,形状与 x 相同,数据类型为bool。

异常:
  • TypeError - x 不是Tensor。

  • TypeError - x 的数据类型不是int8、int16、int32、int64、float16、float32或float64。

  • TypeError - p 的数据类型不是float。

  • ValueError - p 值不在 [0.0,1.0] 之间。

  • ValueError - x 的维度不等于4。

支持平台:

Ascend GPU CPU

样例:

>>> input_x = Tensor(np.ones([2, 1, 2, 3]), mindspore.float32)
>>> output, mask = ops.dropout2d(input_x, 0.5)
>>> print(output.shape)
(2, 1, 2, 3)