Dropout2d

class torch.nn.Dropout2d(p=0.5, inplace=False)

随机置零整个通道。

通道是一个二维特征图，例如，批处理输入中第 0#个样本的第 1#个通道是二维张量 $\text{input}[i, j]$ 。

每个通道在每次前向调用时将以概率 p 独立清零，使用伯努利分布的样本。

通常输入来自 nn.Conv2d 模块。

如论文《使用卷积网络的快速目标定位》所述，如果特征图内的相邻像素之间具有强相关性（如早期卷积层通常情况），则独立同分布的 dropout 将不会正则化激活，否则只会导致有效学习率降低。

在这种情况下， nn.Dropout2d() 将有助于促进特征图之间的独立性，应使用它代替。

参数:

• p (float, 可选) - 元素为零的概率。

• inplace (布尔值，可选) – 如果设置为 True ，将在此处进行此操作

警告

由于历史原因，此类将针对 3D 输入执行 1D 通道丢弃（如 nn.Dropout1d 所做）。因此，它目前不支持没有批次维度的形状 $(C, H, W)$ 的输入。这种行为将在未来的版本中更改，以将 3D 输入解释为无批次维度的输入。为了保持旧的行为，切换到 nn.Dropout1d 。

形状：

• 输入： $(N, C, H, W)$ 或 $(N, C, L)$ 。

• 输出： $(N, C, H, W)$ 或 $(N, C, L)$ （与输入形状相同）。

示例：

>>> m = nn.Dropout2d(p=0.2)
>>> input = torch.randn(20, 16, 32, 32)
>>> output = m(input)