Dropout3D¶

paddle.nn. Dropout3D ( p=0.5, data_format='NCDHW', 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 NCDHW 的 5 维 Tensor，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，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 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。默认值为 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(cpu), 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)

>>> 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(cpu), 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.]]]]])

         