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 \((N, C, L)\) 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。

输出：

Tensor，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 2D 或 3D。

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)