PyTorch是一个Python优先的深度学习框架，其nn模块是PyTorch中的一个重要模块，其中nn.Dropout是其提供的一种用于减轻过拟合情况的工具。在本篇攻略中，我们将详细讲解如何使用nn.Dropout。

什么是nn.Dropout

nn.Dropout是PyTorch中的一个类，它可以随机使一定比例的神经元输出为0，从而可以防止过拟合。

如何使用nn.Dropout

我们可以通过以下方式来使用nn.Dropout：

import torch.nn as nn

dropout = nn.Dropout(p=0.5)

其中p表示要舍弃的神经元的比例，这里p的值为0.5。这意味着在每次向前传递数据时，dropout将随机将50%的神经元输出设置为0。

在实际应用中，nn.Dropout通常与nn.Linear或nn.Conv2d等层一起使用。下面是一个示例：

input = torch.randn(3, 5) # 输入
linear = nn.Linear(5, 2) # 全连接层
dropout = nn.Dropout(p=0.5) # dropout
output = nn.functional.relu(dropout(linear(input)))) # 随机使50%的神经元输出为0

在这个示例中，我们使用一个包含5个输入和2个输出的全连接层。在应用随机失活之前，我们对该层的输出应用ReLU激活函数。然后，我们将dropout应用于这个层的输出，使其中一些神经元值为0。

示例说明

下面进一步介绍两个使用nn.Dropout的示例。

1. Dropout在卷积神经网络中的应用

我们可以使用nn.Dropout作为卷积神经网络（CNN）中的一种正则化技术。例如，我们可以在一个标准的LeNet5网络中添加dropout，示例代码如下：

class LeNet5(nn.Module):
    def __init__(self):
        super(LeNet5, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool1 = nn.MaxPool2d(2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.pool2 = nn.MaxPool2d(2)
        self.dropout1 = nn.Dropout(p=0.5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.dropout2 = nn.Dropout(p=0.5)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool1(F.relu(self.conv1(x)))
        x = self.pool2(F.relu(self.conv2(x)))
        x = self.dropout1(x)
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = self.dropout2(x)
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在该示例中，我们添加了两个dropout层来减轻过拟合。

1. Dropout在循环神经网络中的应用

nn.Dropout也可以用于循环神经网络（RNN）中。以一个经典的基于LSTM的文本分类实验为示例，我们可以在LSTM模型的输出与全连接层之间添加一个dropout层，示例代码如下：

class LSTM(nn.Module):
    def __init__(self, embedding_dim, hidden_dim, vocab_size, output_dim, n_layers, dropout):
        super().__init__()

        self.embedding = nn.Embedding(vocab_size, embedding_dim)

        self.lstm = nn.LSTM(embedding_dim,
                            hidden_dim,
                            num_layers=n_layers,
                            bidirectional=True,
                            dropout=dropout)

        self.fc_1 = nn.Linear(hidden_dim * 2, 100)
        self.fc_2 = nn.Linear(100, output_dim)
        self.dropout = nn.Dropout(dropout)

    def forward(self, text):

        embedded = self.dropout(self.embedding(text))

        output, (hidden, cell) = self.lstm(embedded)

        hidden = self.dropout(torch.cat((hidden[-2,:,:], hidden[-1,:,:]), dim = 1))

        dense1 = F.relu(self.fc_1(hidden))

        dense2 = self.fc_2(dense1)

        return dense2

在这个示例中，我们在LSTM的输出和全连接层之间添加了dropout层。这有助于减轻过拟合情况。

总之，nn.Dropout是一个重要的工具来减轻过拟合情况，我们可以将其应用于卷积神经网络、循环神经网络等模型中，使得我们的模型更加健壮。

本文链接：http://task.lmcjl.com/news/14413.html