SpatialDropout

最新推荐文章于 2025-02-18 15:22:11 发布

转载最新推荐文章于 2025-02-18 15:22:11 发布 · 402 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：https://blog.youkuaiyun.com/yanhe156/article/details/85771759

文章标签：

#python

语法专栏收录该内容

50 篇文章

订阅专栏

本文详细解析了Dropout()和SpatialDropout1D()的区别，通过实例演示了两者如何在不同维度上进行dropout操作。同时，文章还介绍了如何通过调整Dropout()的noise_shape参数来模拟SpatialDropout的效果，以及SpatialDropout系列函数在不同输入形状下的应用。

Dropout()和SpatialDropout1D()的区别：

假设input_shape为batch_size, timesteps, features, Dropout()，Dropout()是在所有数据上dropout，SpatialDropout1D()会按对 features的某几个维度进行dropout，如图：

在这里插入图片描述

左图：Dropout()，右图：SpatialDropout1D()

可以通过设置Dropout()的参数noise_shape来实现SpatialDropout1D()。可以改变noise_shape查看具体效果。

import keras
import keras.backend as K
import numpy as np 
ary = np.arange(35*3).reshape((3, 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]]]

input_shape=K.shape(inputs) 
noise_shape=(input_shape[0], input_shape[1], 1) 
dropout_2 = K.eval(K.dropout(inputs, 0.5, noise_shape)) 
print(dropout_2)