李沐之丢弃法

最新推荐文章于 2026-08-21 19:17:26 发布

原创最新推荐文章于 2026-08-21 19:17:26 发布 · 542 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

深度学习

1.理论

（Dropout 引入的噪音与常规的数据噪声不同。因为是随机加入，这种“强制学习”让模型更加鲁棒，更能够关注整体特征而非局部模式，数据自带的噪音可能存在偏好，加入随机噪音后，能把这种偏好抵消一些。）

假设x是一层到下一层的输出的话，我们希望虽然加入了噪音，但不要改变期望。丢弃法做了：给定一个概率，在p的概率里面把输入，真实的原始的输入变成0，在剩下的地方，把输入除以1-p（p是0到1，则1-p小于1，输出就变大了）。

丢弃法作用在层与层之间

2.代码实现

2.1从0开始实现

#我们实现 dropout_layer 函数， 该函数以dropout的概率丢弃张量输入X中的元素
import torch
from torch import nn
from d2l import torch as d2l


def dropout_layer(X, dropout):
#dropout是指概率
    assert 0 <= dropout <= 1
    # 在本情况中，所有元素都被丢弃
    if dropout == 1:
        return torch.zeros_like(X)
    # 在本情况中，所有元素都被保留
    if dropout == 0:
        return X
    mask = (torch.rand(X.shape) > dropout).float()
    #torch.rand是用于生成均匀随机分布张量的函数，从区间[0,1)的均匀分布中随机抽取一个
    #随机数生成一个张量，输出张量的形状和X相同，这个mask是为了判断该保留什么和去掉什么,
    #mask是0和1的矩阵，根据dropout rate得出来的，然后原始的X乘mask就知道那些是保留的， 
    #哪些是归零的
    return mask * X / (1.0 - dropout)


#测试dropout_layer函数
X= torch.arange(16, dtype = torch.float32).reshape((2, 8))
print(X)
print(dropout_layer(X, 0.))
#dropout=0就返回自己，所有都不丢弃
print(dropout_layer(X, 0.5))
print(dropout_layer(X, 1.))
#丢弃所有
"""结果输出：
tensor([[ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11., 12., 13., 14., 15.]])
tensor([[ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11., 12., 13., 14., 15.]])
tensor([[ 0.,  2.,  0.,  6.,  0.,  0.,  0., 14.],
        [16., 18.,  0., 22.,  0., 26., 28., 30.]])
#变成两倍是因为随机生成的数>0.5，返回mask是1.0，之后乘以X再除以（1-p）就相当于是乘以2
tensor([[0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0.]])"""


"""定义模型参数"""
#定义具有两个隐藏层的多层感知机，每个隐藏层包含256个单元]
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256


"""定义模型"""
dropout1, dropout2 = 0.2, 0.5

class Net(nn.Module):
    def __init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2,
                 is_training = True):
    #注意要区别是不是在训练
        super(Net, self).__init__()
        self.num_inputs = num_inputs
        self.training = is_training
        self.lin1 = nn.Linear(num_inputs, num_hiddens1)
        self.lin2 = nn.Linear(num_hiddens1, num_hiddens2)
        self.lin3 = nn.Linear(num_hiddens2, num_outputs)
        #有两个隐藏层就是有3个线性层因为还包含一个输出层
        self.relu = nn.ReLU()

    def forward(self, X):
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
        #这是第一个隐藏层的输出
        #过程就是把X reshape一下输入到第一个隐藏层然后做一下relu
        # 只有在训练模型时才使用dropout
        if self.training == True:
            # 在第一个全连接层之后添加一个dropout层
            H1 = dropout_layer(H1, dropout1)
        H2 = self.relu(self.lin2(H1))
        if self.training == True:
            # 在第二个全连接层之后添加一个dropout层
            H2 = dropout_layer(H2, dropout2)
        out = self.lin3(H2)
        #输出层不用激活函数不用dropout
        return out


net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)


"""训练和测试"""
num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

结果输出：

和之前的区别就是精度稍微高了一点，之前用的是单隐藏层，现在用的是两层隐藏层，而且隐藏层大小是256，对于这个小数据集，算是比较大的模型了。这里dropout是防止过拟合，因为数据不变，但是模型变复杂了，容易过拟合。

2.2简洁实现

net = nn.Sequential(nn.Flatten(),
        #先把输入拉平拉成一个2维的
        nn.Linear(784, 256),
        #输入大小为784，批量大小为256
        nn.ReLU(),
        #经过非线性激活函数
        # 在第一个全连接层之后添加一个dropout层
        nn.Dropout(dropout1),
        #其实Dropout放在relu前面或者后面都是一样的
        nn.Linear(256, 256),
        nn.ReLU(),
        # 在第二个全连接层之后添加一个dropout层
        nn.Dropout(dropout2),
        nn.Linear(256, 10))

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights);


"""对模型进行训练和测试"""
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

输出结果：

思考：把dropout概率改为0会怎么样？

dropout是正则用来防止过拟合的，这里不用dropout之后损失更小，说明过拟合程度加深了。对深度学习来讲，通常可以把模型弄的复杂一点点，然后通过正则化来控制模型复杂度意味着在有dropout情况下，可以稍微把隐藏层设大一点点，再把dropout率也设大一点点。可能会比不用dropout隐藏层设的小效果要好一点点。

标签

#python #深度学习 #pytorch