Dropout2d

class torch.nn.Dropout2d(p=0.5, inplace=False)

随机将整个通道置零。

一个通道是一个二维特征图，例如，批处理输入中第 $i$ 个样本的第 $j$ 个通道是一个二维张量 $\text{input}[i, j]$。

在每次前向传播时，每个通道会以 p 的概率独立地被清零，使用来自伯努利分布的样本。

通常输入来自 nn.Conv2d 模块。

正如论文 Efficient Object Localization Using Convolutional Networks 中所述，如果特征图中的相邻像素高度相关（正如卷积早期层中通常那样），则 i.i.d. dropout 将无法正则化激活，否则只会导致学习率有效性下降。

在这种情况下，nn.Dropout2d() 将有助于促进特征图之间的独立性，应予以使用。

参数

• p (float, optional) – 元素被清零的概率。

• inplace (bool, optional) – 如果设置为 True，则将在此操作中进行原地修改。

警告

由于历史原因，此类当前会对 3D 输入执行一维通道级 dropout（如 nn.Dropout1d 所做的那样）。因此，它目前不支持形状为 $(C, H, W)$ 的无批处理维度的输入。此行为将在未来的版本中更改，以将 3D 输入解释为无批处理维度的输入。为了保持旧行为，请切换到 nn.Dropout1d。

形状

• 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)