PyTorch - 如何在评估模式下停用辍学

Posted 2023-02-16

【中文标题】PyTorch - 如何在评估模式下停用辍学

【英文标题】：PyTorch - How to deactivate dropout in evaluation mode

【发布时间】：2019-05-21 15:03:36

【问题描述】：

这是我定义的模型，它是一个带有 2 个全连接层的简单 lstm。

import copy
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

class mylstm(nn.Module):
    def __init__(self,input_dim, output_dim, hidden_dim,linear_dim):
        super(mylstm, self).__init__()
        self.hidden_dim=hidden_dim
        self.lstm=nn.LSTMCell(input_dim,self.hidden_dim)
        self.linear1=nn.Linear(hidden_dim,linear_dim)
        self.linear2=nn.Linear(linear_dim,output_dim)
    def forward(self, input):
        out,_=self.lstm(input)
        out=nn.Dropout(p=0.3)(out)
        out=self.linear1(out)
        out=nn.Dropout(p=0.3)(out)
        out=self.linear2(out)
        return out

x_train 和x_val 是形状为(4478,30) 的float 数据框，而y_train 和y_val 是形状为(4478,10) 的float df

    x_train.head()
Out[271]: 
       0       1       2       3    ...        26      27      28      29
0  1.6110  1.6100  1.6293  1.6370   ...    1.6870  1.6925  1.6950  1.6905
1  1.6100  1.6293  1.6370  1.6530   ...    1.6925  1.6950  1.6905  1.6960
2  1.6293  1.6370  1.6530  1.6537   ...    1.6950  1.6905  1.6960  1.6930
3  1.6370  1.6530  1.6537  1.6620   ...    1.6905  1.6960  1.6930  1.6955
4  1.6530  1.6537  1.6620  1.6568   ...    1.6960  1.6930  1.6955  1.7040

[5 rows x 30 columns]

x_train.shape
Out[272]: (4478, 30)

定义变量并做一次bp，我可以发现验证损失为1.4941

model=mylstm(30,10,200,100).double()
from torch import optim
optimizer=optim.RMSprop(model.parameters(), lr=0.001, alpha=0.9)
criterion=nn.L1Loss()
input_=torch.autograd.Variable(torch.from_numpy(np.array(x_train)))
target=torch.autograd.Variable(torch.from_numpy(np.array(y_train)))
input2_=torch.autograd.Variable(torch.from_numpy(np.array(x_val)))
target2=torch.autograd.Variable(torch.from_numpy(np.array(y_val)))
optimizer.zero_grad()
output=model(input_)
loss=criterion(output,target)
loss.backward()
optimizer.step()
moniter=criterion(model(input2_),target2)

moniter
Out[274]: tensor(1.4941, dtype=torch.float64, grad_fn=<L1LossBackward>)

但是由于 dropout 的随机性，我再次调用了 forward 函数，我得到了一个不同的数字

moniter=criterion(model(input2_),target2)
moniter
Out[275]: tensor(1.4943, dtype=torch.float64, grad_fn=<L1LossBackward>)

我应该怎么做才能消除预测短语中的所有丢失？

我试过eval()：

moniter=criterion(model.eval()(input2_),target2)
moniter
Out[282]: tensor(1.4942, dtype=torch.float64, grad_fn=<L1LossBackward>)

moniter=criterion(model.eval()(input2_),target2)
moniter
Out[283]: tensor(1.4945, dtype=torch.float64, grad_fn=<L1LossBackward>)

并传递一个附加参数p来控制dropout：

import copy
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
class mylstm(nn.Module):
    def __init__(self,input_dim, output_dim, hidden_dim,linear_dim,p):
        super(mylstm, self).__init__()
        self.hidden_dim=hidden_dim
        self.lstm=nn.LSTMCell(input_dim,self.hidden_dim)
        self.linear1=nn.Linear(hidden_dim,linear_dim)
        self.linear2=nn.Linear(linear_dim,output_dim)
    def forward(self, input,p):
        out,_=self.lstm(input)
        out=nn.Dropout(p=p)(out)
        out=self.linear1(out)
        out=nn.Dropout(p=p)(out)
        out=self.linear2(out)
        return out

model=mylstm(30,10,200,100,0.3).double()

output=model(input_)
loss=criterion(output,target)
loss.backward()
optimizer.step()
moniter=criterion(model(input2_,0),target2)
Traceback (most recent call last):

  File "<ipython-input-286-e49b6fac918b>", line 1, in <module>
    output=model(input_)

  File "D:\Users\shan xu\Anaconda3\lib\site-packages\torch\nn\modules\module.py", line 489, in __call__
    result = self.forward(*input, **kwargs)

TypeError: forward() missing 1 required positional argument: 'p'

但他们都没有工作。

【问题讨论】：

model.eval() 应该可以工作。您确定您没有引入错误或更改输入张量的值吗？

是的，我尝试移除 dropout 层，结果证明无论我投入多少时间都是不变的。所以我认为只是应用了 dropout 的情况，我得到了不同的结果。

【参考方案1】：

您必须在您的__init__ 中定义您的nn.Dropout 层并将其分配给您的模型以响应调用eval()。

所以像这样改变你的模型应该适合你：

class mylstm(nn.Module):
    def __init__(self,input_dim, output_dim, hidden_dim,linear_dim,p):
        super(mylstm, self).__init__()
        self.hidden_dim=hidden_dim
        self.lstm=nn.LSTMCell(input_dim,self.hidden_dim)
        self.linear1=nn.Linear(hidden_dim,linear_dim)
        self.linear2=nn.Linear(linear_dim,output_dim)

        # define dropout layer in __init__
        self.drop_layer = nn.Dropout(p=p)
    def forward(self, input):
        out,_= self.lstm(input)

        # apply model dropout, responsive to eval()
        out= self.drop_layer(out)
        out= self.linear1(out)

        # apply model dropout, responsive to eval()
        out= self.drop_layer(out)
        out= self.linear2(out)
        return out

如果您像这样更改它，则此退出将在您致电eval()时立即处于非活动状态。

注意：如果您想在之后继续训练，您需要在您的模型上调用 train() 以退出评估模式。

---

您还可以在此处找到使用eval() 评估模式的辍学小工作示例： nn.Dropout vs. F.dropout pyTorch

【讨论】：

在一个模型中多次使用同一个 dropout 层是不是很酷？

看来，在 Pytorch 中，如果你想让事情顺利进行，你必须将所有层定义为类中的字段。我对吗？当我将图层分配到列表中时（因为我希望事情是动态的），它们没有包含在.model_dict() 中，所以我无法保存网络。通过在网络的__init__ 函数中调用setattr(self, layer_name, layer) 来解决它。 Pytorch 似乎不会在非 pytorch 组件中递归查找其他组件，例如列表或其他数据结构。

@SomethingSomething 不确定我是否正确，但您可能想看看：torch.nn.ModuleList

谢谢@blue-phoenox，这很有帮助。所以ModuleList 是一个列表，指定用于包含将在调用model.eval()、model.train() 等方法时递归更新的组件，如果我没记错的话。

@SomethingSomething 是的，使用nn.ModuleList 将确保其中的所有参数/模块都将正确注册，因此所有Module 方法都可以看到它们比如train()。

【参考方案2】：

正如其他答案所说，希望在模型的 __init__ 方法中定义 dropout 层，以便您的模型可以跟踪每个预定义层的所有信息。当模型的状态发生变化时，它会通知所有层并做一些相关的工作。例如，在调用 model.eval() 时，您的模型将停用 dropout 层，但直接传递所有激活。一般来说，如果你想停用你的dropout层，你最好在__init__方法中使用nn.Dropout模块定义dropout层。

【参考方案3】：

我添加这个答案只是因为我现在在尝试通过 dropout 分歧重现深度贝叶斯主动学习时面临同样的问题。 如果您需要保持 dropout 处于活动状态（例如为相同的测试实例引导一组不同的预测），您只需让模型处于训练模式，无需定义自己的 dropout 层。

由于在pytorch中你需要定义你自己的预测函数，你可以像这样添加一个参数：

def predict_class(model, test_instance, active_dropout=False):
    if active_dropout:
        model.train()
    else:
        model.eval()