FeatureAlphaDropout

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

随机地屏蔽整个通道。

通道是一个特征图，例如，批输入中第 $i$ 个样本的第 $j$ 个通道是输入张量的张量 $\text{input}[i, j]$）。与常规 Dropout 中将激活设置为零不同，激活被设置为 SELU 激活函数的负饱和值。更多细节可以在论文 自归一化神经网络 中找到 。

对于每次前向调用，每个元素将以概率 p 独立地为每个样本进行屏蔽，使用来自伯努利分布的样本。要屏蔽的元素在每次前向调用时都是随机的，并且经过缩放和移位以保持零均值和单位方差。

通常，输入来自 nn.AlphaDropout 模块。

正如论文 使用卷积网络的高效对象定位 中所述，如果特征图内的相邻像素强相关（早期卷积层中通常如此），则 i.i.d. dropout 将不会正则化激活，否则只会导致有效的学习率降低。

在这种情况下，nn.AlphaDropout() 将有助于促进特征图之间的独立性，并且应该改用它。

参数

• p (float, 可选) – 元素置零的概率。默认值：0.5

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

形状

• 输入： $(N, C, D, H, W)$ 或 $(C, D, H, W)$。

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

示例

>>> m = nn.FeatureAlphaDropout(p=0.2)
>>> input = torch.randn(20, 16, 4, 32, 32)
>>> output = m(input)