Dropout2d

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

Случайное обнуление целых каналов (канал — это 2D-отображение признаков, например, $j$-й канал $i$-й выборки в пакетном входе — это 2D-тензор $\text{input}[i, j]$). Каждый канал независимо обнуляется на каждом вызове прямого вычисления с вероятностью p, используя выборки из распределения Бернулли.

Обычно вход поступает от nn.Conv2d модулей.

Как описано в статье Efficient Object Localization Using Convolutional Networks , если смежные пиксели внутри карт признаков сильно коррелированы (как это обычно бывает в ранних слоях свертки), то независимый дропаут не будет регулировать активации и приведет только к снижению эффективной скорости обучения.

В этом случае, nn.Dropout2d() поможет повысить независимость между картами признаков и должен использоваться вместо него.

Параметры:

• p (float, необязательно) – вероятность обнуления элемента.
• inplace (bool, необязательно) – Если установлено True, эта операция выполняется на месте

Предупреждение

По историческим причинам этот класс выполняет 1D-дропаут по каналам для 3D-входов (как делал nn.Dropout1d). Таким образом, он в настоящее время НЕ поддерживает входы без пакетной размерности формы $(C, H, W)$. Это поведение изменится в будущей версии, чтобы интерпретировать 3D-входы как входы без размерности пакета. Чтобы сохранить старое поведение, переключитесь на nn.Dropout1d.

Форма:

• Вход: $(N, C, H, W)$ или $(N, C, L)$.
• Вывод: $(N, C, H, W)$ или $(N, C, L)$ (такая же форма, как у входа).

Примеры:

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