文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

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 $i\mathrm{\_}th$ 批， $j\mathrm{\_}th$ 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)