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 维张量，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)：将输入通道置 0 的概率，即丢弃概率。默认：0.5。

data_format (str)：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：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

x = paddle.rand([2, 2, 1, 3], dtype="float32")
print(x)
# Tensor(shape=[2, 2, 1, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[0.10052059, 0.93890846, 0.45351565]],
#          [[0.47507706, 0.45021373, 0.11331241]]],

#         [[[0.53358698, 0.97375143, 0.34997326]],
#          [[0.24758087, 0.52628899, 0.17970420]]]])

m = paddle.nn.Dropout2D(p=0.5)
y_train = m(x)
print(y_train)
# Tensor(shape=[2, 2, 1, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[0.        , 0.        , 0.        ]],
#          [[0.95015413, 0.90042746, 0.22662482]]],

#         [[[1.06717396, 1.94750285, 0.69994652]],
#          [[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(gpu:0), stop_gradient=True,
#        [[[[0.10052059, 0.93890846, 0.45351565]],
#          [[0.47507706, 0.45021373, 0.11331241]]],

#         [[[0.53358698, 0.97375143, 0.34997326]],
#          [[0.24758087, 0.52628899, 0.17970420]]]])

         