15李沐动手学深度学习v2/丢弃法 (dropout) 从0开始实现

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

def dropout_layer(X,dropout):
    '''
    训练过程中，依概率dropout变化隐藏层的全连接层的输出
    '''
    assert 0 <= dropout <=1
    if dropout==1:
        return torch.zeros_like(X)
    if dropout==0:
        return X
    # 创建shape为(X.shape)的均匀分布，转bool，转float
    # troch.randn() 正态分布 0到1之间
    # 采用乘法的方式让X中一部分值为0，比选择X中一部分为0来的快
    mask=(torch.randn(X.shape)>dropout).float()
    return mask*X/(1.0-dropout)

# 测试dropout函数，float32的速度更快
X=torch.arange(16,dtype=torch.float32).reshape((2,8))
print(X)
print(dropout_layer(X,0.))
print(dropout_layer(X,0.5))
print(dropout_layer(X,1.))

tensor([[ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11., 12., 13., 14., 15.]])
tensor([[ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11., 12., 13., 14., 15.]])
tensor([[ 0.,  0.,  0.,  0.,  0., 10.,  0., 14.],
        [ 0.,  0.,  0.,  0.,  0.,  0.,  0., 30.]])
tensor([[0., 0., 0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0., 0., 0.]])

# 定义具有两个隐藏层的多层感知机，每个隐藏层包含256个单元
num_inputs,num_outputs,num_hiddens1,num_hiddens2=784,10,256,256

dropout1,dropout2=0.2,0.5

class Net(nn.Module):
    '''
    继承nn.Module
    '''
    def __init__(self,num_inputs,num_outputs,num_hiddens1,num_hiddens2,is_training=True):
        '''
        初始化方法
        :param is_training 是否在训练中
        '''
        super(Net,self).__init__()
        self.num_inputs=num_inputs
        self.training=is_training
        # 第1个隐藏层
        self.lin1=nn.Linear(num_inputs,num_hiddens1)
        # 第2个隐藏层
        self.lin2=nn.Linear(num_hiddens1,num_hiddens2)
        # 输出层
        self.lin3=nn.Linear(num_hiddens2,num_outputs)
        self.relu=nn.ReLU()
    
    def forward(self,X):
        '''
        前向传播
        '''
        # 第1层
        H1=self.relu(self.lin1(X.reshape((-1,self.num_inputs))))
        # 只在训练模型时才使用dropout
        if self.training==True:
            H1=dropout_layer(H1,dropout1)
        # H1可能经过dropout
        H2=self.relu(self.lin2(H1))
        if self.training==True:
            H2=dropout_layer(H2,dropout2)
        # 第3层，输出层没有进行dropout
        out=self.lin3(H2)
        return out

# 模型
net=Net(num_inputs,num_outputs,num_hiddens1,num_hiddens2)
# 超参数
num_epochs,lr,batch_size=10,0.5,256
# 损失函数
loss=nn.CrossEntropyLoss(reduction='none')
# 数据
train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)
# 优化算法
trainer=torch.optim.SGD(net.parameters(),lr=lr)
# 训练
d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)