pytorch基础(十)-dropout

背景

训练时：通过随机使权重为零的方式使神经元失活

作用：不会产生对某一权重（神经元）的过度依赖

测试时： 所有权重*（1-drop_prob）

nn.Dropout

nn.Dropout(被抛弃的比例)?
放在需要dropout层的前一层

nn.Dropout(drop_prob),
nn.Linear(input_size, outpit_size),
nn.ReLU()

经过dropout后训练集的loss升高，可以有效的防止过拟合??

经过dropout后权重的值减小，有效的防止高方差?

?

实现细节

class Net(nn.Module):
    def __init__(self, neural_num, d_prob=0.5):
        super(Net, self).__init__()

        self.linears = nn.Sequential(

            nn.Dropout(d_prob),
            nn.Linear(neural_num, 1, bias=False),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        return self.linears(x)

input_num = 10000
x = torch.ones((input_num, ), dtype=torch.float32)

net = Net(input_num, d_prob=0.5)
net.linears[1].weight.detach().fill_(1.)

net.train()
y = net(x)
print("output in training mode", y)

net.eval()
y = net(x)
print("output in eval mode", y)

训练集输出的w*x和验证集输出的w*x的值都为10000左右，为什么？

?

?drop_prob为0.5，输出结果应该在5000左右？为什么会在10000左右？

这是因为,为了方便test时的使用
在test时不再执行所有权重*（1-drop_prob）
而是在train时权重*（1/1-p）,在test时就不用额外乘以（1-p）

?