mindspore.nn.Dropout

class mindspore.nn.Dropout(keep_prob=0.5, p=None, dtype=mstype.float32)[源代码]

随机丢弃层。

Dropout是一种正则化手段，该算子根据丢弃概率 p ，在训练过程中随机将一些神经元输出设置为0，通过阻止神经元节点间的相关性来减少过拟合。在推理过程中，此层返回与 x 相同的Tensor。

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 。

说明

  • 训练过程中每步对同一通道（或神经元）独立进行丢弃。

  • keep_prob 参数会在未来版本删除，请使用 p 参数代替它。p 表示输入Tensor中元素设置成0的概率。

  • dtype 参数会在未来版本删除。不建议使用这个参数。

参数：

  • keep_prob (float) - 废弃。输入神经元保留率，数值范围介于(0, 1]之间。例如，keep_prob =0.9，删除10%的神经元。默认值：0.5。

  • p (Union[float, int, None]) - 输入神经元丢弃率，数值范围介于[0, 1)之间。例如，p =0.9，删除90%的神经元。默认值：None。

  • dtype (mindspore.dtype) - input 的数据类型。默认值：mstype.float32。

输入：

  • x (Tensor) - Dropout的输入。数据类型必须为float16或float32。

输出：

Tensor，输出为Tensor，其shape与 x shape相同。

异常：

  • TypeError - keep_prob 不是浮点数。

  • TypeError - p 数据类型不是float或int。

  • TypeError - x 的dtype既不是float16也不是float32。

  • ValueError - keep_prob 不在范围(0, 1]之间。

  • ValueError - p 不在范围[0, 1)之间。

  • ValueError - x 的shape长度小于1。

支持平台：

Ascend GPU CPU

样例：

>>> x = Tensor(np.ones([2, 2, 3]), mindspore.float32)
>>> net = nn.Dropout(p=0.2)
>>> net.set_train()
>>> output = net(x)
>>> print(output.shape)
(2, 2, 3)