dropout¶

参数¶

• x (Tensor) - 输入的多维 Tensor，数据类型为：float16、float32、float64。

• p (float，可选) - 将输入节点置 0 的概率，即丢弃概率。默认值为 0.5。

• axis (int|list，可选) - 指定对输入 Tensor 进行 dropout 操作的轴。默认值为 None。

• training (bool，可选) - 标记是否为训练阶段。默认值为 True。

• mode (str，可选) - 丢弃单元的方式，有 'upscale_in_train' 和 'downscale_in_infer' 两种可供选择，默认值为 'upscale_in_train'。计算方法如下：

  1. upscale_in_train（默认值），在训练时增大输出结果。

     • 训练时： \(out = input \times \frac{mask}{(1.0 - p)}\)

     • 预测时： \(out = input\)

  2. downscale_in_infer，在预测时减小输出结果

     • 训练时： \(out = input \times mask\)

     • 预测时： \(out = input \times (1.0 - p)\)

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

返回¶

经过 dropout 之后的结果，与输入 x 形状相同的 Tensor 。

使用示例 1¶

axis 参数的默认值为 None。当 axis=None 时，dropout 的功能为：对输入 Tensor x 中的任意元素，以丢弃概率 p 随机将一些元素输出置 0。这是我们最常见的 dropout 用法。

• 下面以一个示例来解释它的实现逻辑，同时展示其它参数的含义。

假定 x 是形状为 2*3 的 2 维 Tensor：
[[1 2 3]
 [4 5 6]]
在对 x 做 dropout 时，程序会先生成一个和 x 相同形状的 mask Tensor，mask 中每个元素的值为 0 或 1。
每个元素的具体值，则是依据丢弃概率从伯努利分布中随机采样得到。
比如，我们可能得到下面这样一个 2*3 的 mask:
[[0 1 0]
 [1 0 1]]
将输入 x 和生成的 mask 点积，就得到了随机丢弃部分元素之后的结果：
[[0 2 0]
 [4 0 6]]
假定 dropout 的概率使用默认值，即 ``p=0.5``，若 mode 参数使用默认值，即 ``mode='upscale_in_train'`` ，
则在训练阶段，最终增大后的结果为：
[[0 4 0 ]
 [8 0 12]]
在测试阶段，输出跟输入一致：
[[1 2 3]
 [4 5 6]]
若参数 mode 设置为'downscale_in_infer'，则训练阶段的输出为：
[[0 2 0]
 [4 0 6]]
在测试阶段，缩小后的输出为：
[[0.5 1.  1.5]
 [2.  2.5 3. ]]

使用示例 2¶

若参数 axis 不为 None，dropout 的功能为：以一定的概率从图像特征或语音序列中丢弃掉整个通道。

• axis 应设置为：[0, 1, ... , ndim(x)-1] 的子集（ndim(x) 为输入 x 的维度），例如：

• 若 x 的维度为 2，参数 axis 可能的取值有 4 种：None, [0], [1], [0,1]

• 若 x 的维度为 3，参数 axis 可能的取值有 8 种：None, [0], [1], [2], [0,1], [0,2], [1,2], [0,1,2]

• 下面以维度为 2 的输入 Tensor 展示 axis 参数的用法：

假定 x 是形状为 2*3 的 2 维 Tensor:
[[1 2 3]
 [4 5 6]]
(1) 若 ``axis=[0]``，则表示只在第 0 个维度做 dropout。这时生成 mask 的形状为 2*1。
  例如，我们可能会得到这样的 mask:
  [[1]
   [0]]
  这个 2*1 的 mask 在和 x 做点积的时候，会首先广播成一个 2*3 的矩阵：
  [[1 1 1]
   [0 0 0]]
  点积所得的结果为：
  [[1 2 3]
   [0 0 0]]
  之后依据其它参数的设置，得到最终的输出结果。

(2) 若 ``axis=[1]``，则表示只在第 1 个维度做 dropout。这时生成的 mask 形状为 1*3。
  例如，我们可能会得到这样的 mask:
  [[1 0 1]]
  这个 1*3 的 mask 在和 x 做点积的时候，会首先广播成一个 2*3 的矩阵：
  [[1 0 1]
   [1 0 1]]
  点积所得结果为：
  [[1 0 3]
   [4 0 6]]
(3) 若 ``axis=[0, 1]``，则表示在第 0 维和第 1 维上做 dropout。此时与默认设置 ``axis=None`` 的作用一致。

若输入 x 为 4 维 Tensor，形状为 NCHW，其中 N 是批尺寸，C 是通道数，H 是特征高度，W 是特征宽度，当设置 axis=[0,1] 时，则只会在通道 N 和 C 上做 dropout，通道 H 和 W 的元素是绑定在一起的，即：paddle.nn.functional.dropout(x, p, axis=[0,1])，此时对 4 维 Tensor 中的某个 2 维特征图（形状为 HW），或者全部置 0，或者全部保留，这便是 dropout2d 的实现。详情参考 dropout2d 。

类似的，若输入 x 为 5 维 Tensor，形状为 NCDHW，其中 D 是特征深度，当设置 axis=[0,1] 时，便可实现 dropout3d。详情参考 dropout3d 。

代码示例¶

import paddle

x = paddle.to_tensor([[1,2,3], [4,5,6]]).astype(paddle.float32)
y_train = paddle.nn.functional.dropout(x, 0.5)
y_test = paddle.nn.functional.dropout(x, 0.5, training=False)
y_0 = paddle.nn.functional.dropout(x, axis=0)
y_1 = paddle.nn.functional.dropout(x, axis=1)
y_01 = paddle.nn.functional.dropout(x, axis=[0,1])
print(x)
# Tensor(shape=[2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
#        [[1., 2., 3.],
#         [4., 5., 6.]])
print(y_train)
# Tensor(shape=[2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
#        [[2. , 0. , 6. ],
#         [8. , 0. , 12.]])
print(y_test)
# Tensor(shape=[2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
#        [[1., 2., 3.],
#         [4., 5., 6.]])
print(y_0)
# Tensor(shape=[2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
#        [[0. , 0. , 0. ],
#         [8. , 10., 12.]])
print(y_1)
# Tensor(shape=[2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
#        [[2. , 0. , 6. ],
#         [8. , 0. , 12.]])
print(y_01)
# Tensor(shape=[2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
#        [[0. , 0. , 0. ],
#         [8. , 0. , 12.]])

使用本API的教程文档¶

• Limitations