mindspore.nn.Dropout1d

class mindspore.nn.Dropout1d(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shape为 \((N, C, L)\) 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:
  • 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

输入:
  • x (Tensor) - 一个shape为 \((N, C, L)\)\((C, L)\)3D2D 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。

输出:

Tensor,输出,具有与输入 x 相同的shape和数据类型。

异常:
  • TypeError - x 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 - x 的维度不是 2D3D

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> import mindspore as ms
>>> op = ms.nn.Dropout1d(p=0.6)
>>> op.training = True
>>> a = ms.Tensor(np.ones((3, 3)), ms.float32)
>>> output = op(a)