mindspore.ops.Dropout2D

class mindspore.ops.Dropout2D(keep_prob=0.5)[源代码]

在训练期间，根据概率 1 - keep_prob ，随机的将一些通道设置为0，且服从伯努利分布。（对于shape为 \((N, C, H, W)\) 的四维Tensor，通道特征图指的是shape为 \((H, W)\) 的二维特征图。）

例如，对于批量输入的第 \(i_th\) 样本的第 \(j_th\) 通道为二维Tensor，即input[i,j]。在前向传播过程中，输入样本的每个通道都有可能被置为0，置为0的概率为 1 - keep_prob，且服从伯努利分布。

论文 Dropout: A Simple Way to Prevent Neural Networks from Overfitting 中提出了该技术，并证明其能有效地减少过度拟合，防止神经元共适应。更多详细信息，请参见 Improving neural networks by preventing co-adaptation of feature detectors 。

Dropout2D 可以提高通道特征图之间的独立性。

参数：

  • keep_prob (float) - 输入通道保留率，数值范围在0到1之间，例如 keep_prob = 0.8，意味着过滤20%的通道。默认值：0.5。

输入：

  • x (Tensor) - shape为 \((N, C, H, W)\) 的四维张量，其中N是批处理，C是通道数，H是特征高度，W是特征宽度。数据类型应为int8、int16、int32、int64、float16或float32。

输出：

  • output (Tensor) - shape和数据类型与 x 相同。

  • mask (Tensor) - shape与 x 相同，数据类型为bool。

异常：

  • TypeError - keep_prob 的数据类型不是float。

  • ValueError - keep_prob 超出[0.0, 1.0]范围，或者输入的维度不是四维。

支持平台：

Ascend

样例：

>>> dropout = ops.Dropout2D(keep_prob=0.5)
>>> x = Tensor(np.ones([2, 1, 2, 3]), mindspore.float32)
>>> output, mask = dropout(x)
>>> print(output.shape)
(2, 1, 2, 3)