Dropout3D¶

paddle.nn. Dropout3D ( p=0.5, data_format='NCDHW', name=None ) [源代码] ¶

根据丢弃概率 p，在训练过程中随机将某些通道特征图置 0(对一个形状为 NCDHW 的 5 维张量，通道特征图指的是其中的形状为 DHW 的 3 维特征图)。Dropout3D 可以提高通道特征图之间的独立性。论文请参考：Efficient Object Localization Using Convolutional Networks

在动态图模式下，请使用模型的 eval() 方法切换至测试阶段。

注解

对应的 functional 方法请参考：dropout3d 。

参数¶

p (float)：将输入通道置 0 的概率，即丢弃概率。默认：0.5。

data_format (str)：指定输入的数据格式，输出的数据格式将与输入保持一致，可以是 NCDHW 和 NDHWC。其中 N 是批尺寸，C 是通道数，D 是特征深度，H 是特征高度，W 是特征宽度。默认值：NCDHW 。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

形状¶

输入 : 5-D Tensor 。

输出 : 5-D Tensor，形状与输入相同。

代码示例¶

          import paddle

x = paddle.arange(24, dtype="float32").reshape((1, 2, 2, 2, 3))
print(x)
# Tensor(shape=[1, 2, 2, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[[0. , 1. , 2. ],
#            [3. , 4. , 5. ]],
#           [[6. , 7. , 8. ],
#            [9. , 10., 11.]]],

#          [[[12., 13., 14.],
#            [15., 16., 17.]],
#           [[18., 19., 20.],
#            [21., 22., 23.]]]]])

m = paddle.nn.Dropout3D(p=0.5)
y_train = m(x)
print(y_train)
# Tensor(shape=[1, 2, 2, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[[0. , 2. , 4. ],
#            [6. , 8. , 10.]],
#           [[12., 14., 16.],
#            [18., 20., 22.]]],

#          [[[0. , 0. , 0. ],
#            [0. , 0. , 0. ]],
#           [[0. , 0. , 0. ],
#            [0. , 0. , 0. ]]]]])

m.eval()  # switch the model to test phase
y_test = m(x)
print(y_test)
# Tensor(shape=[1, 2, 2, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[[0. , 1. , 2. ],
#            [3. , 4. , 5. ]],
#           [[6. , 7. , 8. ],
#            [9. , 10., 11.]]],

#          [[[12., 13., 14.],
#            [15., 16., 17.]],
#           [[18., 19., 20.],
#            [21., 22., 23.]]]]])

         