Dropout2d

class torch.nn.Dropout2d(p=0.5, inplace=False)

隨機將整個通道歸零。

通道是一個 2D 特徵圖，例如，批次輸入中第 $j$ 個樣本的第 $i$ 個通道是一個 2D 張量 $\text{input}[i, j]$。

在每次前向呼叫時，每個通道將以機率 p 獨立地歸零，並使用來自 Bernoulli 分佈的樣本。

通常，輸入來自 nn.Conv2d 模組。

如論文 Efficient Object Localization Using Convolutional Networks 中所述，如果特徵圖中相鄰的像素強烈相關（通常在早期的卷積層中），則 i.i.d. dropout 不會正規化激活，而只會導致有效的學習率降低。

在這種情況下，nn.Dropout2d() 將有助於促進特徵圖之間的獨立性，因此應改用它。

參數

• p (float, optional) – 元素被歸零的機率。

• inplace (bool, optional) – 如果設定為 True，將執行原地 (in-place) 操作

警告

由於歷史原因，這個類別將對 3D 輸入執行 1D 通道式 dropout (如同 nn.Dropout1d 所做的一樣)。 因此，它目前不支援沒有批次維度的 $(C, H, W)$ 形狀的輸入。 此行為將在未來的版本中更改，以將 3D 輸入解釋為無批次維度的輸入。 若要維持舊的行為，請切換到 nn.Dropout1d。

形狀

• 輸入: $(N, C, H, W)$ 或 $(N, C, L)$。

• 輸出: $(N, C, H, W)$ 或 $(N, C, L)$ (與輸入形狀相同)。

範例

>>> m = nn.Dropout2d(p=0.2)
>>> input = torch.randn(20, 16, 32, 32)
>>> output = m(input)