（深度学习）Pytorch之dropout训练

大家好，又见面了，我是你们的朋友全栈君。

（深度学习）Pytorch学习笔记之dropout训练

Dropout训练实现快速通道：点我直接看代码实现

Dropout训练简介

在深度学习中，dropout训练时我们常常会用到的一个方法——通过使用它，我们可以可以避免过拟合，并增强模型的泛化能力。

通过下图可以看出，dropout训练训练阶段所有模型共享参数，测试阶段直接组装成一个整体的大网络：

在这里插入图片描述

那么，我们在深度学习的有力工具——Pytorch中如何实现dropout训练呢？

易错大坑

网上查找到的很多实现都是这种形式的：

        out = F.dropout(out, p=0.5)

这种形式的代码非常容易误导初学者，给人带来很大的困扰：

• 首先，这里的F.dropout实际上是torch.nn.functional.dropout的简写(很多文章都没说清这一点，就直接给个代码)，我尝试了一下我的Pytorch貌似无法使用，可能是因为版本的原因。
• 其次，torch.nn.functional.dropout()还有个大坑：F.dropout()相当于引用的一个外部函数，模型整体的training状态变化也不会引起F.dropout这个函数的training状态发生变化。因此，上面的代码实质上就相当于out = out

因此，如果你非要使用torch.nn.functional.dropout的话，推荐的正确方法如下(这里默认你已经import torch.nn as nn了)：

       out = nn.functional.dropout(out, p=0.5, training=self.training)

推荐代码实现方法

这里更推荐的方法是：nn.Dropout(p），其中p是采样概率。nn.Dropout实际上是对torch.nn.functional.dropout的一个包装, 也将self.training传入了其中，可以有效避免前面所说的大坑。

下面给出一个三层神经网络的例子：

import torch.nn as nn


input_size = 28 * 28   
hidden_size = 500   
num_classes = 10    


# 三层神经网络
class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)  # 输入层到影藏层
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)  # 影藏层到输出层
        self.dropout = nn.Dropout(p=0.5)  # dropout训练

    def forward(self, x):
        out = self.fc1(x)
        out = self.dropout(out)
        out = self.relu(out)
        out = self.fc2(out)
        return out
   

model = NeuralNet(input_size, hidden_size, num_classes)
model.train()
model.eval()

另外还有一点需要说明的是，训练阶段随机采样时需要用model.train()，而测试阶段直接组装成一个整体的大网络时需要使用model.eval()：

• 如果你二者都没使用的话，默认情况下实际上是相当于使用了model.train()，也就是开启dropout随机采样了——这样你如果你是在测试的话，准确率可能会受到影响。
• 如果你不希望开启dropout训练，想直接以一个整体的大网络来训练，不需要重写一个网络结果，而只需要在训练阶段开启model.eval()即可。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/133466.html原文链接：https://javaforall.cn