Dropout2D

paddle.nn. Dropout2D ( p=0.5, data_format=’NCHW’, name=None ) [源代码]

根据丢弃概率 p ，在训练过程中随机将某些通道特征图置0(对一个形状为 NCHW 的4维张量，通道特征图指的是其中的形状为 HW 的2维特征图)。Dropout2D可以提高通道特征图之间的独立性。论文请参考: Efficient Object Localization Using Convolutional Networks

在动态图模式下，请使用模型的 eval() 方法切换至测试阶段。

注解

对应的 functional方法 请参考: dropout2d 。

参数

  • p (float): 将输入通道置0的概率， 即丢弃概率。默认: 0.5。

  • data_format (str): 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是 NCHW 和 NHWC 。其中 N 是批尺寸， C 是通道数， H 是特征高度， W 是特征宽度。默认值: NCHW 。

  • name (str，可选): 操作的名称(可选，默认值为None）。更多信息请参见 Name 。

形状

  • 输入 : 4-D Tensor 。

  • 输出 : 4-D Tensor ，形状与输入相同。

代码示例

  1. import paddle
  2. import numpy as np
  4. x = np.random.random(size=(2, 3, 4, 5)).astype('float32')
  5. x = paddle.to_tensor(x)
  6. m = paddle.nn.Dropout2D(p=0.5)
  7. y_train = m(x)
  8. m.eval()  # switch the model to test phase
  9. y_test = m(x)
  10. print(x)
  11. print(y_train)
  12. print(y_test)