Dropout2D¶

paddle.nn. Dropout2D ( p=0.5, data_format='NCHW', name=None ) [源代码] ¶

根据丢弃概率 p，在训练过程中随机将某些通道特征图置 0 (对一个形状为 NCHW 的 4 维 Tensor，通道特征图指的是其中的形状为 HW 的 2 维特征图)。Dropout2D 可以提高通道特征图之间的独立性。论文请参考：Efficient Object Localization Using Convolutional Networks

在动态图模式下，请使用模型的 eval() 方法切换至测试阶段。

注解

对应的 functional 方法请参考：dropout2d 。

参数¶

p (float，可选) - 将输入通道置 0 的概率，即丢弃概率。默认值为 0.5。

data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是 NCHW 和 NHWC。其中 N 是批尺寸，C 是通道数，H 是特征高度，W 是特征宽度。默认值为 NCHW 。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

形状¶

输入 : 4-D Tensor 。

输出 : 4-D Tensor，形状与输入相同。

代码示例¶

          >>> import paddle
>>> paddle.seed(100)
>>> x = paddle.rand([2, 2, 1, 3], dtype="float32")
>>> print(x)
Tensor(shape=[2, 2, 1, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[[0.55355281, 0.20714243, 0.01162981]],
  [[0.51577556, 0.36369765, 0.26091650]]],
 [[[0.18905126, 0.56219709, 0.00808361]],
  [[0.78120756, 0.32112977, 0.90572405]]]])

>>> m = paddle.nn.Dropout2D(p=0.5)
>>> y_train = m(x)
>>> print(y_train)
Tensor(shape=[2, 2, 1, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[[1.10710561, 0.41428486, 0.02325963]],
  [[1.03155112, 0.72739530, 0.52183300]]],
 [[[0.        , 0.        , 0.        ]],
  [[0.        , 0.        , 0.        ]]]])

>>> m.eval()  # switch the model to test phase
>>> y_test = m(x)
>>> print(y_test)
Tensor(shape=[2, 2, 1, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[[0.55355281, 0.20714243, 0.01162981]],
  [[0.51577556, 0.36369765, 0.26091650]]],
 [[[0.18905126, 0.56219709, 0.00808361]],
  [[0.78120756, 0.32112977, 0.90572405]]]])

         