Dropout3D¶
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 NCDHW 的 5 维张量,通道特征图指的是其中的形状为 DHW 的 3 维特征图)。Dropout3D 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:dropout3d 。
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 NCDHW 和 NDHWC。其中 N 是批尺寸,C 是通道数,D 是特征深度,H 是特征高度,W 是特征宽度。默认值:NCDHW 。
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 : 5-D Tensor 。
输出 : 5-D Tensor,形状与输入相同。
代码示例¶
import paddle
x = paddle.arange(24, dtype="float32").reshape((1, 2, 2, 2, 3))
print(x)
# Tensor(shape=[1, 2, 2, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[[[[0. , 1. , 2. ],
# [3. , 4. , 5. ]],
# [[6. , 7. , 8. ],
# [9. , 10., 11.]]],
# [[[12., 13., 14.],
# [15., 16., 17.]],
# [[18., 19., 20.],
# [21., 22., 23.]]]]])
m = paddle.nn.Dropout3D(p=0.5)
y_train = m(x)
print(y_train)
# Tensor(shape=[1, 2, 2, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[[[[0. , 2. , 4. ],
# [6. , 8. , 10.]],
# [[12., 14., 16.],
# [18., 20., 22.]]],
# [[[0. , 0. , 0. ],
# [0. , 0. , 0. ]],
# [[0. , 0. , 0. ],
# [0. , 0. , 0. ]]]]])
m.eval() # switch the model to test phase
y_test = m(x)
print(y_test)
# Tensor(shape=[1, 2, 2, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[[[[0. , 1. , 2. ],
# [3. , 4. , 5. ]],
# [[6. , 7. , 8. ],
# [9. , 10., 11.]]],
# [[[12., 13., 14.],
# [15., 16., 17.]],
# [[18., 19., 20.],
# [21., 22., 23.]]]]])