MXNET深度学习框架-15-从0开始的dropout

       dropout最早出现在AlexNet中，它对CNN的发展起到了一定程度的推进作用，本章我们从0开始来实现一个dropout方法。

实现dropout：

def dropout(X, drop_probability):
    keep_prob = 1 - drop_probability  # 留着的概率
    if keep_prob == 0:  # 这种情况把所有元素全部丢弃
        return X.zeros_like()

    # 随机选择一部分该层的输出作为丢弃元素
    # mask与keep_prob相比，小于变成1，大于变成0
    mask = nd.random.uniform(low=0, high=1, shape=X.shape) < keep_prob
    # 保证E[dropout(X)]==X，保证dropout之后的期望值与X一样
    scale = 1 / keep_prob
    return mask * X * scale

运行一个实例看看：
1）概率为0：

# 运行一个实例看看
A=nd.arange(20).reshape((5,4))
print(A)
print("==========")
print(dropout(A,0))  # 当概率为0，就是不使用dropout时

结果：

2）概率为0.5：

print(dropout(A,0.5))  # 当概率为0.5，就是有50%的元素会被置为0

结果：

       有一般地可能性会变成0，剩下的值全部乘以2。

3）当概率为1.0时：

print(dropout(A,1.0))

       全部元素均变为0。

加入dropout的MLP

下面我们实现一个MLP，不过这个MLP引入了dropout方法，具体的变化主要在全连接层中加入了dropout：

drop_out1 = 0.2 # dropout只在训练时使用
drop_out2 = 0.5
def net(x,dropout1,dropout2):

    x=x.reshape(-1,num_input)
    # 第一层全连接
    h1=relu(nd.dot(x,w1)+b1)
    h1=dropout(h1,dropout1) # 加入dropout
    # 第二层全连接
    h2=nd.dot(h1,w2)+b2
    h2=dropout(h2,dropout2)
    # 输出层
    output=nd.dot(h2,w3)+b3# 最后一层一般不做激活
    return output

剩下的代码基本上与MXNET深度学习框架-07-从0开始实现多层感知机(MLP)一致。下面放上所有代码（dropout只在模型训练时使用!!!）：

import mxnet.gluon as gn
import mxnet.autograd as ag
import mxnet.ndarray as nd


def dropout(X, drop_probability):
    keep_prob = 1 - drop_probability  # 留着的概率
    if keep_prob == 0:  # 这种情况把所有元素全部丢弃
        return X.zeros_like()

    # 随机选择一部分该层的输出作为丢弃元素
    # mask与keep_prob相比，小于变成1，大于变成0
    mask = nd.random.uniform(low=0, high=1, shape=X.shape) < keep_prob
    # 保证E[dropout(X)]==X，保证dropout之后的期望值与X一样
    scale = 1 / keep_prob
    return mask * X * scale
#
# # 运行一个实例看看
# A=nd.arange(20).reshape((5,4))
# print(A)
# print("==========")
# # print(dropout(A,0))  # 当概率为0，就是不使用dropout时
#
# # print(dropout(A,0.5))
# print(dropout(A,1.0))
'''---模型训练实例(引入dropout)---'''
# 下面的代码完全引入<从0开始的MLP>代码，只是多加了一层隐藏层
def transform(data, label):
    return data.astype("float32") / 255, label.astype("float32")  # 样本归一化


mnist_train = gn.data.vision.FashionMNIST(train=True)
mnist_test = gn.data.vision.FashionMNIST(train=False)
data, label = mnist_train[0:9]
print(data.shape, label)  # 查看数据维度
import matplotlib.pyplot as plt


def show_image(image):  # 显示图像
    n = image.shape[0]
    _, figs = plt.subplots(1, n, figsize=(15, 15))
    for i in range(n):
        figs[i].imshow(image[i].reshape((28, 28)).asnumpy())
    plt.show()


def get_fashion_mnist_labels(labels):  # 显示图像标签
    text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_labels[int(i)] for i in labels]

#
# show_image(data)
# print(get_fashion_mnist_labels(label))

'''----数据读取----'''
batch_size = 100
transformer = gn.data.vision.transforms.ToTensor()
train_data = gn.data.DataLoader(dataset=mnist_train, batch_size=batch_size, shuffle=True)
test_data = gn.data.DataLoader(dataset=mnist_test, batch_size=batch_size, shuffle=False)

'''----初始化模型参数----'''
num_input = 28 * 28 * 1
num_output = 10
num_hidden1=256  # 隐藏层神经元个数
num_hidden2=128  # 隐藏层神经元个数
w1 = nd.random_normal(shape=(num_input, num_hidden1),scale=0.01) # 初始化(0.01内的值)
b1 = nd.zeros(shape=(num_hidden1))

w2 = nd.random_normal(shape=(num_hidden1, num_hidden2),scale=0.01)
b2 = nd.zeros(shape=(num_hidden2))
w3 = nd.random_normal(shape=(num_hidden2, num_output),scale=0.01)
b3 = nd.zeros(shape=(num_output))

params = [w1, b1,w2,b2,w3,b3]
for param in params:
    param.attach_grad()  # 开辟临时空间

# 定义激活函数relu
def relu(x):
    return nd.maximum(0,x)

'''----定义模型----'''
# 所谓的模型就是将全连接层与relu串起来(这里使用dropout方法)
drop_out1 = 0.2 # dropout只在训练时使用
drop_out2 = 0.5
def net(x,dropout1,dropout2):

    x=x.reshape(-1,num_input)
    # 第一层全连接
    h1=relu(nd.dot(x,w1)+b1)
    h1=dropout(h1,dropout1) # 加入dropout
    # 第二层全连接
    h2=nd.dot(h1,w2)+b2
    h2=dropout(h2,dropout2)
    # 输出层
    output=nd.dot(h2,w3)+b3# 最后一层一般不做激活
    return output


# softmax和交叉熵损失函数
# 由于将它们分开会导致数值不稳定(前两章博文的结果可以对比)，所以直接使用gluon提供的API
cross_loss=gn.loss.SoftmaxCrossEntropyLoss()

# 定义准确率
def accuracy(output,label):
    return nd.mean(output.argmax(axis=1)==label).asscalar()

def evaluate_accuracy(data_iter,net):# 定义测试集准确率
    acc=0
    for data,label in data_iter:
        data,label=transform(data,label)
        output=net(data,dropout1=0,dropout2=0)  # 测试的时候dropout必须为0
        acc+=accuracy(output,label)
    return acc/len(data_iter)

# 梯度下降优化器
def SGD(params,lr):
    for pa in params:
        pa[:]=pa-lr*pa.grad # 参数沿着梯度的反方向走特定距离

# 训练
lr=0.1
epochs=20
for epoch in range(epochs):
    train_loss=0
    train_acc=0
    for image,y in train_data:
        image,y=transform(image,y) # 类型转换，数据归一化
        with ag.record():
            output=net(image,dropout1=drop_out1,dropout2=drop_out2)
            loss=cross_loss(output,y)
        loss.backward()
        # 将梯度做平均，这样学习率不会对batch_size那么敏感
        SGD(params,lr/batch_size)
        train_loss+=nd.mean(loss).asscalar()
        train_acc+=accuracy(output,y)
    test_acc=evaluate_accuracy(test_data,net)
    print("Epoch %d, Loss:%f, Train acc:%f, Test acc:%f"
          %(epoch,train_loss/len(train_data),train_acc/len(train_data),test_acc))
'''----预测-------'''
# 训练完成后，可对样本进行预测
image_10,label_10=mnist_test[:10] #拿到前10个数据
show_image(image_10)
print("真实样本标签：",label_10)
print("真实数字标签对应的服饰名：",get_fashion_mnist_labels(label_10))

image_10,label_10=transform(image_10,label_10)
predict_label=net(image_10,dropout1=0,dropout2=0).argmax(axis=1)
print("预测样本标签：",predict_label.astype("int8"))
print("预测数字标签对应的服饰名：",get_fashion_mnist_labels(predict_label.asnumpy()))

训练过程：