Dropout2d

class torch.nn.Dropout2d(p=0.5, inplace=False)

随机将整个通道清零。

通道是一个二维特征图，例如，批处理输入中第 $i$ 个样本的第 $j$ 个通道是一个二维张量 $\text{input}[i, j]$.

每个通道将在每次前向调用时以概率 p 独立地清零，使用伯努利分布的样本。

通常，输入来自 nn.Conv2d 模块。

如论文 Efficient Object Localization Using Convolutional Networks 中所述，如果特征图中相邻像素之间存在强相关性（在早期卷积层中通常如此），那么独立同分布的 dropout 将不会正则化激活，否则只会导致有效的学习率下降。

在这种情况下，nn.Dropout2d() 将有助于促进特征图之间的独立性，因此应该使用它。

参数

• p (float, 可选) – 元素被清零的概率。

• inplace (bool, 可选) – 如果设置为 True，则会就地执行此操作

警告

由于历史原因，此类将对 3D 输入执行 1D 通道级 dropout（如 nn.Dropout1d 所做的那样）。因此，它当前不支持形状为 $(C, H, W)$ 且没有批处理维度的输入。此行为将在未来版本中更改为将 3D 输入解释为无批处理维度的输入。要保持旧的行为，请切换到 nn.Dropout1d。

形状

• 输入：$(N, C, H, W)$ 或 $(N, C, L)$.

• 输出：$(N, C, H, W)$ 或 $(N, C, L)$（与输入形状相同）。

示例

>>> m = nn.Dropout2d(p=0.2)
>>> input = torch.randn(20, 16, 32, 32)
>>> output = m(input)