Droppath 和 Dropblock

Droppath 和 Dropblock 都是在深度学习中常用的剪枝方法，用于减少模型参数的数量，提高模型的计算效率。
Droppath 是在每个特征图上随机选择一些路径，并将这些路径上的权重置为 0，从而减少模型参数的数量。Droppath 操作可以在每个卷积层的每个特征图上进行，并且可以在训练过程中动态地调整概率，以控制剪枝的程度。
Dropblock 是在每个特征图上选择一个块，并将这个块中的所有权重置为 0，从而减少模型参数的数量。Dropblock 操作可以在每个卷积层的每个特征图上进行，并且可以在训练过程中动态地调整块的大小和数量，以控制剪枝的程度。
相比之下，Droppath 操作更灵活，可以在不同的特征图上进行不同程度的剪枝，而 Dropblock 操作则更简单，只需要选择一个块并将其权重置为 0。此外，Droppath 操作还可以在训练过程中动态地调整概率，以更好地适应不同的数据集和任务。
总的来说，Droppath 和 Dropblock 都是有效的剪枝方法，可以根据具体的应用场景和需求选择合适的方法。