动手学深度学习4.6 dropout简洁实现

参与11月更文挑战的第16天，活动详情查看：2021最后一次更文挑战

import torch
from torch import nn
from d2l import torch as d2l
复制代码

dropout1, dropout2 = 0.2, 0.5

net = nn.Sequential(nn.Flatten(),
        nn.Linear(784, 256),
        nn.ReLU(),
        # 在第一个全连接层之后添加一个dropout层
        nn.Dropout(dropout1),
        nn.Linear(256, 256),
        nn.ReLU(),
        # 在第二个全连接层之后添加一个dropout层
        nn.Dropout(dropout2),
        nn.Linear(256, 10))

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights)

复制代码

这个模型长这样：

Sequential(
  (0): Flatten(start_dim=1, end_dim=-1)
  (1): Linear(in_features=784, out_features=256, bias=True)
  (2): ReLU()
  (3): Dropout(p=0.2, inplace=False)
  (4): Linear(in_features=256, out_features=256, bias=True)
  (5): ReLU()
  (6): Dropout(p=0.5, inplace=False)
  (7): Linear(in_features=256, out_features=10, bias=True)
)
复制代码

(0)：对输入进行处理，即28*28的扁平化为784的向量
(1)：第一层是输入层
(2): 对第一层加激活函数ReLU()
(3): 对第一层进行Dropout，其中p=0.2
(4): 隐藏层1是256的向量
(5): 对隐藏层1加激活函数ReLU()
(6): 对隐藏层1进行Dropout，其中p=0.5
(7): 隐藏层2是256的向量，输出层是10分类

对于这个隐藏层的p，就是服从这个公式：

$\begin{aligned} E\left[x_{i}'\right] &=p \cdot 0+(1-p) \frac{x_{i}}{1-p} =x_{i} \end{aligned}$

对于输入层到隐藏层1就是：

$E\left(h_{11}^{\prime}\right)=0.2 \times 0+(1-0.2) \frac{h_{11}}{1-0.2}=h_{11}$

对于隐藏层1到隐藏层2就是：

$E\left(h_{21}^{\prime}\right)=0.5 \times 0+(1-0.5) \frac{h_{21}}{1-0.5}=h_{11}$

num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss()
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)

trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
复制代码

这段代码和动手学深度学习4.6 dropout手动实现里边的一模一样。

设置训练迭代次数、学习率、批量大小
loss使用交叉熵
读取数据集
训练

再次重申，可能看起来手动实现和这个的区别不大，不就是自己弄个Sequential吗，但是当处理海量数据的时候，调库就是比你自己手写的速度更快效率更高。

手动实现是为了明白原理，简洁实现是为了提高效率。

《动手学深度学习》系列更多可以看这里：《动手学深度学习》 - LolitaAnn的专栏 - 掘金 (juejin.cn)

笔记还在更新中…………

动手学深度学习4.6 dropout简洁实现

猜你喜欢