Spatial Dropout

全栈程序员站长

发布于 2022-08-12 15:47:42

4220

发布于 2022-08-12 15:47:42

文章被收录于专栏：全栈程序员必看

大家好，又见面了，我是你们的朋友全栈君。

SpatialDropout是Tompson等人在图像领域提出的一种dropout方法。普通的dropout会随机地将部分元素置零，而SpatialDropout会随机地将部分区域置零，该dropout方法在图像识别领域实践证明是有效的。

dropout

dropout是怎么操作的？一般来说，对于输入的张量x，dropout就是随机地将部分元素置零，然后对结果做一个尺度变换。比如，我们随机初始化一个5×10的二维矩阵，即；

import numpy as np
x = np.random.random((4,5))
print(x)
def Dropout(x,drop_proba):
    return x * np.random.choice(
        [0,1],
        x.shape,
        p = [drop_proba,1-drop_proba]
    ) / (1. - drop_proba)
print(Dropout(x,0.5))
# x
[[0.56189429 0.03603615 0.97580132 0.36180956 0.55606632]
 [0.81176104 0.47364453 0.97262952 0.04289464 0.42820463]
 [0.26016082 0.61274373 0.10307323 0.84194222 0.48404058]
 [0.37371407 0.88847782 0.37580269 0.97473358 0.7809447 ]]

# dropout(x,0.5)
[[0.         0.07207229 0.         0.         1.11213264]
 [1.62352208 0.         1.94525904 0.08578928 0.        ]
 [0.52032163 1.22548745 0.         0.         0.        ]
 [0.         1.77695563 0.75160539 1.94946716 0.        ]]

可以看到，Dropout操作随机地将部分元素置零，并且对非零部分做了一个尺度变换。尺度变换的幅度跟初始化的drop_rate有关。

作用

一般，我们会将dropout理解为“一种低成本的集成策略”，这是对的，具体过程可以大概这样理解：经过上述置零操作后，我们可以认为零的部分是被丢弃的，丢失了一部分信息。因而，逼着模型用剩下的信息区拟合目标。然而每次dropout是随机的。我们就不能侧重于某些节点，所以总的来说就是—每次逼着模型用少量的特征学习，每次被学习的特征又不同，那么就是说，每个特征都应该对模型的预测有所贡献（而不是侧重于部分特征，导致过拟合）。

SpatialDropout

接下来，我们来详细看看keras模块中SpatialDropout具体做了啥，如下图所示:

左:普通的dropout，右：SpatialDropout

首先，让我们看看SpatialDropout1D的输入和输出。SpatialDropout1D的输入是三维张量（samples,timesteps,channels），输出的纬度与输入的纬度相同。

我们以文本为例，一个文本的三维张量可以表示为(samples,sequence_length,embedding_dim)，其中:

sequence_length表示句子的长度
embedding_dim表示词向量的纬度如下图所示：

当我们对该张量使用dropout技术时，你会发现普通的dropout会随机独立地将部分元素置零，而SpatialDropout1D会随机地对某个特定的纬度全部置零，如下图所示：

左：普通的dropout，右：SpatialDropout1D

接下来，我们简单的以一个简单的案例说明，首先，我们初始化一个1x7x5的三维张量，如下所示：

#encoding:utf-8
import numpy as np
import keras.backend as K
ary = np.arange(35).reshape((1, 7, 5))
inputs = K.variable(ary)
print(ary)
# result
[[[ 0  1  2  3  4]
  [ 5  6  7  8  9]
  [10 11 12 13 14]
  [15 16 17 18 19]
  [20 21 22 23 24]
  [25 26 27 28 29]
  [30 31 32 33 34]]]

接下来，我们将分别对该张量使用dropout和SpatialDropout1D技术。

首先，我们先对该张量测试普通的dropout，其中dropout_rate为0.5：

dropout_1 = K.eval(K.dropout(inputs, level=0.5))
print(dropout_1)
# result
[[[ 0.  2.  4.  6.  8.]
  [ 0.  0. 14. 16. 18.]
  [ 0.  0. 24.  0. 28.]
  [ 0. 32. 34.  0.  0.]
  [40.  0.  0.  0. 48.]
  [ 0. 52.  0. 56.  0.]
  [ 0. 62. 64.  0.  0.]]]

从结果中，我们可以看到普通的dropout随机地将部分元素置零，并且是无规律的，也就是说下次可能是另外一部分元素置零。

接下来，然后我们对该张量测试SpatialDropout1D，要达到SpatialDropout1D的效果。我们需要指定dropout的shape，对应dropout函数中的参数noise_shape。

noise_shape是一个一维张量，说白了就是一个一维数组，长度必须跟inputs.shape一样，而且，noise_shape的元素，只能是1或者inputs.shape里面对应的元素。比如inputs.shape= (3,4,5) ，那么noise_shape就只能是以下8种情况：

(3,4,5),(1,4,5),(3,1,5),(3,4,1),(1,1,5),(1,4,1),(3,1,1,),(1,1,1)

实际上，哪个轴为1，哪个轴就会被一致的dropout，比如（3,4,5）是就是普通的dropout，没有任何约束

因此，从上图中，我们想要实现SpatialDropout1D，noise_shape应为(input_shape[0], 1, input_shape[2])，即:

input_shape=K.shape(inputs)
noise_shape=(input_shape[0], 1, input_shape[2])
dropout_2 = K.eval(K.dropout(inputs, 0.5, noise_shape))
print(dropout_2)
# result
[[[ 0.  2.  0.  6.  8.]
  [ 0. 12.  0. 16. 18.]
  [ 0. 22.  0. 26. 28.]
  [ 0. 32.  0. 36. 38.]
  [ 0. 42.  0. 46. 48.]
  [ 0. 52.  0. 56. 58.]
  [ 0. 62.  0. 66. 68.]]]

可以看到，与普通的dropout不同的是，SpatialDropout1D随机地将某块区域全部置零。

实际上，我们也可以横向将部分区域全部置零，只需修改noise_shape即可，即：

noise_shape = (input_shape[0], input_shape[1], 1)
dropout_3 = K.eval(K.dropout(inputs, 0.5, noise_shape))
print(dropout_3)
# result
[[[ 0.  2.  4.  6.  8.]
  [ 0.  0.  0.  0.  0.]
  [20. 22. 24. 26. 28.]
  [ 0.  0.  0.  0.  0.]
  [40. 42. 44. 46. 48.]
  [50. 52. 54. 56. 58.]
  [60. 62. 64. 66. 68.]]]

所以，通过修改noise_shape，本质上我们可以实现任意功能的dropout。

在keras模块中，一般我们实现一个新的dropout，会按照下列模板进行，比如；

class TimestepDropout(Dropout):
    def __init__(self, rate, **kwargs):
        super(TimestepDropout, self).__init__(rate, **kwargs)
        self.input_spec = InputSpec(ndim=3)
    def _get_noise_shape(self, inputs):
        input_shape = K.shape(inputs)
        noise_shape = (input_shape[0], input_shape[1], 1)
        return noise_shape

注：本质上是修改noise_shape，新类TimestepDropout继承了Dropout，我们知道当子类中存在与父类相同的函数时，子类的函数会更新父类函数。所以本质上就是修改获取noise_shape的函数。

备注：最近刚开始学习pytorch

pytorch

import torch.nn as nn
from itertools import repeat
class Spatial_Dropout(nn.Module):
    def __init__(self,drop_prob):

        super(Spatial_Dropout,self).__init__()
        self.drop_prob = drop_prob

    def forward(self,inputs):
        output = inputs.clone()
        if not self.training or self.drop_prob == 0:
            return inputs
        else:
            noise = self._make_noise(inputs)
            if self.drop_prob == 1:
                noise.fill_(0)
            else:
                noise.bernoulli_(1 - self.drop_prob).div_(1 - self.drop_prob)
            noise = noise.expand_as(inputs)
            output.mul_(noise)
        return output

    def _make_noise(self,input):
        return input.new().resize_(input.size(0),*repeat(1, input.dim() - 2),input.size(2))

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/131854.html原文链接：https://javaforall.cn

本文参与?腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2022年4月3，如有侵权请联系 cloudcommunity@tencent.com 删除

bash