Dropout2d¶

class torch.nn.Dropout2d(p=0.5, inplace=False)[源代码]¶

随机将整个通道置零。

通道是一个二维特征图，例如， $j$ 通道在批量输入的第 $i$ 样本中是一个二维张量 $\text{input}[i, j]$ 。

每个通道将在每次前向调用时独立地以概率 p 被清零，使用从伯努利分布中抽取的样本。

通常输入来自 nn.Conv2d 模块。

如论文中所述使用卷积网络进行高效目标定位，如果特征图中的相邻像素高度相关（通常在早期的卷积层中就是这种情况），那么独立同分布的dropout 将不会对激活进行正则化，否则只会导致有效学习率的降低。

在这种情况下，nn.Dropout2d() 将有助于促进特征图之间的独立性，应该使用它来代替。

Parameters

p (float, 可选) – 元素被置为零的概率。
inplace (bool, 可选) – 如果设置为 True，将就地执行此操作

警告

由于历史原因，此类将对 3D 输入执行 1D 通道方向的 dropout（如 nn.Dropout1d 所做的那样）。因此，它目前不支持形状为 $(C, H, W)$ 的无批次维度输入。此行为将在未来的版本中更改，以将 3D 输入解释为无批次维度输入。要维持旧行为，请切换到 nn.Dropout1d。

Shape:

输入: $(N, C, H, W)$ 或 $(N, C, L)$ 。
输出: $(N, C, H, W)$ 或 $(N, C, L)$ (与输入形状相同)。

示例：

>>> m = nn.Dropout2d(p=0.2)
>>> input = torch.randn(20, 16, 32, 32)
>>> output = m(input)