机器学习：暂退法Dropout

import torch
from torch import nn
from d2l import torch as d2l


# 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
# 'X'：输入数据，通常是一个神经网络的层输出。
# 'dropout'：一个0到1之间的浮点数，表示需要关闭的神经元比例.
def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1  # 使用assert语句确保'dropout'在0和1之间

    # 如果'dropout'等于1，那么函数返回一个形状与输入数据'X'相同的全零张量。这意味着所有的神经元都被关闭了。
    if dropout == 1:
        return torch.zeros_like(X)

    # 如果'dropout'等于0，函数直接返回输入数据'X'，不做任何改变。
    if dropout == 0:
        return X

    # 生成一个与输入数据X形状相同的掩码（mask）
    # 其中，每个元素是随机的，要么是0（代表应该丢弃的元素），要么是1（代表应该保留的元素）。
    # 这是通过比较一个形状为X的随机数张量（torch.randn(X.shape)生成）与dropout值来完成的。
    # 如果随机数大于dropout，则对应位置保留，否则置0。
    # "torch.randn" 生成的是符合标准正态分布（均值为0，标准差为1）的随机数。
    mask = (torch.rand(X.shape) > dropout).float()

    # 在做 dropout 的时候，我们实际上是在对输入进行一种“采样”，
    # 即随机地丢弃一些输入元素（这里假设 dropout 的值是指定丢弃元素的比率）。
    # 而对于那些没有被丢弃的元素，我们想要它们在输出中保持原样。
    # 因此，我们用 mask 来标记哪些元素是被丢弃的（对应于 mask 中的0），哪些元素是被保留的（对应于 mask 中的1）。
    # 然后我们将 X 乘上这个 mask，就得到了只保留了被保留元素的结果。
    # 最后，我们将这个结果除以 (1.0 - dropout)，这是为了补偿那些被丢弃的元素所占的比例，
    # 因为丢弃的比例是 dropout，所以我们除以 (1.0 - dropout) 来保证整体数值的正确性。
    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.))
# print(dropout_layer(x, 0.5))
# print(dropout_layer(x, 1.))


# 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
dropout1, dropout2 = 0.2, 0.5


class Net(nn.Module):
    def __init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2, is_training=True):
        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)
        self.relu = nn.ReLU()

    def forward(self, X):
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
        # 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)
        return out


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

num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss()
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)

# 简洁实现
net = nn.Sequential(
    nn.Flatten(),
    # 第一层
    nn.Linear(num_inputs, num_hiddens1),
    nn.ReLU(),
    nn.Dropout(dropout1),
    # 第二层
    nn.Linear(num_hiddens1, num_hiddens2),
    nn.ReLU(),
    nn.Dropout(dropout2),
    # 输出层
    nn.Linear(num_hiddens2, num_outputs)
)


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


net.apply(init_weights)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)