Dropout2d

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

随机将整个通道置零。

通道是一个 2D 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 2D 张量 $\text{input}[i, j]$。

每个通道将在每次前向调用时独立地被置零，概率为 p，使用来自伯努利分布的样本。

通常输入来自 nn.Conv2d 模块。

正如论文 Efficient Object Localization Using Convolutional Networks 中所述，如果特征图中的相邻像素高度相关（早期卷积层通常如此），则 i.i.d. dropout 将不会正则化激活，而只会导致有效的学习率降低。

在这种情况下，nn.Dropout2d() 将有助于促进特征图之间的独立性，应改用它。

参数

• p (float, 可选) – 元素被置零的概率。

• inplace (bool, 可选) – 如果设置为 True，将进行原地操作

警告

由于历史原因，此类将对 3D 输入执行 1D 通道式 dropout（如 nn.Dropout1d 所做的那样）。因此，它目前不支持没有批处理维度的形状为 $(C, H, W)$ 的输入。此行为将在未来的版本中更改，将 3D 输入解释为无批处理维度输入。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)