Dropout現(xiàn)在這個(gè)操作在目前這個(gè)深度學(xué)習(xí)時(shí)代中是非常常見的一個(gè)操作。對(duì)于Dropout的好處我們也聽過很多，降低過擬合，提高模型的魯棒性，控制模型復(fù)雜度等blabla。。

但我比較好奇的是，Dropout是怎么實(shí)現(xiàn)以上好處，經(jīng)過一番了解，簡(jiǎn)單描述下。

Dropout實(shí)際上我們可以先理解成給予Network結(jié)構(gòu)中的一種噪音，但是我們這個(gè)噪音不是隨便給，是有一定數(shù)學(xué)理論支撐，我們是選擇無偏差地往網(wǎng)絡(luò)結(jié)構(gòu)中加入噪音。

通常來說，訓(xùn)練的時(shí)候才需要用到dropout，推理的時(shí)候不需要。理由也很簡(jiǎn)單，一個(gè)保證推理的時(shí)候有確定性輸出，另一個(gè)是dropout的好處并沒有在推理時(shí)體現(xiàn)，無需徒增計(jì)算。

這是李沐在《動(dòng)手學(xué)深度學(xué)習(xí)》里面實(shí)現(xiàn)的代碼，不得不說真的簡(jiǎn)單易懂。

當(dāng)dropout等于1的時(shí)候，要返回跟上一層輸出shape一致的全零矩陣。當(dāng)dropout=0時(shí)，說明無需丟棄，則返回原值。

當(dāng)在0<dropout<1之間，(torch.randn(X.shape) > dropout).float()生成一個(gè)跟X的shape一致的零一矩陣表示不同  輸出與否，然后這個(gè)mask*X就是實(shí)際輸出的X結(jié)果，再除以之前期望公式所需要的(1-dropout)，得到最終結(jié)果。

論文出處：https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf

本文轉(zhuǎn)載自 ??沐白AI筆記??，作者： 沐白