动手学深度学习4.6 dropout手动实现

参与11月更文挑战的第16天，活动详情查看：2021最后一次更文挑战

import torch
from torch import nn
from d2l import torch as d2l


def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1
    # 在本情况中，所有元素都被丢弃。
    if dropout == 1:
        return torch.zeros_like(X)
    # 在本情况中，所有元素都被保留。
    if dropout == 0:
        return X
    mask = (torch.Tensor(X.shape).uniform_(0, 1) > dropout).float()
    return mask * X / (1.0 - dropout)
复制代码

• assert（断言）用于判断一个表达式，在表达式条件为 false 的时候触发异常。断言可以在条件不满足程序运行的情况下直接返回错误，而不必等待程序运行后出现崩溃的情况。

  也就是如果dropout不在0-1之间直接返回错误。

• mask = (torch.Tensor(X.shape).uniform_(0, 1) > dropout).float()

  • torch.Tensor(X.shape).uniform_(0, 1)生成[0,1]之间的浮点数。

    更多看这里pytorch的各种随机数 | randn和normal的关系 | rand和uniform_ - 掘金 (juejin.cn)

  • > dropout是将生成的随机数矩阵和dropout比较，返回一个布尔张量。

  • .float()再将其转化为0或1的数值

  • 最后返回dropout矩阵

num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
复制代码

这个有没有很熟悉，DNA动了，使用的是Fashion-MNIST数据集：动手学深度学习3.4-读取图像数据集。

在这里模型是输入层-隐藏层1-隐藏层2-输出层

dropout1, dropout2 = 0.2, 0.5

class Net(nn.Module):
    def __init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2,
                 is_training = True):
        super(Net, self).__init__()
        self.num_inputs = num_inputs
        self.training = is_training
        self.lin1 = nn.Linear(num_inputs, num_hiddens1)
        self.lin2 = nn.Linear(num_hiddens1, num_hiddens2)
        self.lin3 = nn.Linear(num_hiddens2, num_outputs)
        self.relu = nn.ReLU()

    def forward(self, X):
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
        # 只有在训练模型时才使用dropout
        if self.training == True:
            # 在第一个全连接层之后添加一个dropout层
            H1 = dropout_layer(H1, dropout1)
        H2 = self.relu(self.lin2(H1))
        if self.training == True:
            # 在第二个全连接层之后添加一个dropout层
            H2 = dropout_layer(H2, dropout2)
        out = self.lin3(H2)
        return out


net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)
复制代码

num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss()
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
复制代码

• 首先定义一个Net类，继承了nn.Module，应该不用具体解释了，看到现在应该都能看懂
  • 在前向传播函数中
    • 隐藏层1进行一次ReLU，再进行一次dropout
    • 隐藏层2进行一次ReLU，再进行一次dropout

num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss()
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
复制代码

我感觉到这里了，这段代码也不用保姆级解释了。但是我还是解释一下吧……

• 设置训练迭代次数、学习率、批量大小
• loss使用交叉熵
• 读取数据集
• 训练

最终结果如图：

---

《动手学深度学习》系列更多可以看这里：《动手学深度学习》 - LolitaAnn的专栏 - 掘金 (juejin.cn)

笔记还在更新中…………