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)
机器学习:暂退法Dropout
最新推荐文章于 2024-08-29 20:32:56 发布