第十四课丢弃法（Dropout）

理论部分

实践部分

从零开始实现：

简洁实现：

理论部分

这节课很重要，因为沐神说这个丢弃法比上节课的权重衰退效果更好！

为什么期望没变？

如上图所示，使用dropout后，是将隐藏层的的某几个神经元变成零，然后没有变成0的神经元会相应增大以保证总的期望不变。当然保留和置零的神经元不是一定的。这个是训练才会使用，测试的时候不用。

实践部分

从零开始实现：

代码：

#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
import matplotlib.pyplot as plt
def dropout_layer(X, dropout):#dropout相当于丢弃法公式中的p也就是概率。
    assert 0 <= dropout <= 1
    if dropout == 1:#当丢弃的概率p为1时，也就是100%丢弃，那么就返回全0的阵。
        return torch.zeros_like(X)
    if dropout == 0:#当丢弃的概率p为0时，也就是0%丢弃，那么就保持X。
        return X
    #生成0-1之间的均匀分布，如果其中的值大于dropout，mask就置一，否则置零。
    # 这里的mask就相当于掩膜矩阵，有置零和置一的作用。
    mask = (torch.randn(X.shape) > dropout).float()
    return mask * X / (1.0 - dropout)#做乘法比“X[mask]=0”这样的选元素要快，省资源。
#测试dropout_layer函数
X = torch.arange(16, dtype=torch.float32).reshape((2, 8))
print(X)
print(dropout_layer(X, 0.))#都不变
print(dropout_layer(X, 0.5))#百分之五十概率变成0，每次都是随机变的，这样才有效果
print(dropout_layer(X, 1.))#全变成0
#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)#输入层
        self.lin2 = nn.Linear(num_hiddens1, num_hiddens2)#第一个隐藏层
        self.lin3 = nn.Linear(num_hiddens2, num_outputs)#第二个隐藏层
        self.relu = nn.ReLU()#输出层，以relu激活函数输出
    def forward(self, X):
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))#第一个隐藏层
        if self.training == True:           #如果是在训练的话
            H1 = dropout_layer(H1, dropout1)#就dropout
        H2 = self.relu(self.lin2(H1))       #第二个隐藏层
        if self.training == True:           #如果在训练的话
            H2 = dropout_layer(H2, dropout2)#就dropout
        out = self.lin3(H2)                 #输出层不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()
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)
plt.show()

简洁实现：

代码：

#简洁实现
import torch
from torch import nn
from d2l import torch as d2l
import matplotlib.pyplot as plt
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
dropout1, dropout2= 0.2, 0.5
num_epochs, lr, batch_size = 10, 0.5, 256
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 256), nn.ReLU(),
                    nn.Dropout(dropout1), nn.Linear(256, 256), nn.ReLU(),
                    #nn.Dropout(dropout2), nn.Linear(256, 256), nn.ReLU(),
                    nn.Dropout(dropout2), nn.Linear(256, 10))
loss = nn.CrossEntropyLoss()
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
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)
plt.show()

拓展：

在简洁实现的基础上，调整参数看有什么变化。

1、把两个dropout的概率都设为0（代码第7行）