Pytorch中如何测试nn.Dropout

这篇文章主要介绍了Pytorch中如何测试nn.Dropout，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

结论

Pytorch的nn.Dropout在每次被调用时dropout掉的参数都不一样，即使是同一次forward也不同。

如果模型里多次使用的dropout的dropout rate大小相同，用同一个dropout层即可。

如代码所示：

import torchimport torch.nn as nnclass MyModel(nn.Module):    def __init__(self):        super(MyModel, self).__init__()        self.dropout_1 = nn.Dropout(0.5)        self.dropout_2 = nn.Dropout(0.5)    def forward(self, input):        # print(input)        drop_1 = self.dropout_1(input)        print(drop_1)        drop_1 = self.dropout_1(input)        print(drop_1)        drop_2 = self.dropout_2(input)        print(drop_2)if __name__ == '__main__':    i = torch.rand((5, 5))    m = MyModel()    m.forward(i)

结果如下：

*\python.exe */model.pytensor([[0.0000, 0.0914, 0.0000, 1.4095, 0.0000],[0.0000, 0.0000, 0.1726, 1.3800, 0.0000],[1.7651, 0.0000, 0.0000, 0.9421, 1.5603],[1.0510, 1.7290, 0.0000, 0.0000, 0.8565],[0.0000, 0.0000, 0.0000, 0.0000, 0.0000]])tensor([[0.0000, 0.0000, 0.4722, 1.4095, 0.0000],[0.0416, 0.0000, 0.1726, 1.3800, 1.3193],[0.0000, 0.3401, 0.6550, 0.0000, 0.0000],[1.0510, 1.7290, 1.5515, 0.0000, 0.0000],[0.6388, 0.0000, 0.0000, 1.0122, 0.0000]])tensor([[0.0000, 0.0000, 0.4722, 0.0000, 1.2689],[0.0416, 0.0000, 0.0000, 1.3800, 0.0000],[0.0000, 0.0000, 0.6550, 0.0000, 1.5603],[0.0000, 0.0000, 1.5515, 1.4596, 0.0000],[0.0000, 0.0000, 0.0000, 0.0000, 0.0000]])Process finished with exit code 0

感谢你能够认真阅读完这篇文章，希望小编分享的"Pytorch中如何测试nn.Dropout"这篇文章对大家有帮助，同时也希望大家多多支持，关注行业资讯频道，更多相关知识等着你来学习!