在 Pytorch 中使用 Dropout:nn.Dropout 与 F.dropout

Posted

技术标签:

【中文标题】在 Pytorch 中使用 Dropout:nn.Dropout 与 F.dropout【英文标题】:Pytorch: nn.Dropout vs. F.dropout 【发布时间】:2019-04-24 11:02:05 【问题描述】:

使用 pyTorch 有两种方法可以退出 torch.nn.Dropouttorch.nn.functional.Dropout

我很难看出它们在使用上的区别:

什么时候用什么? 有什么不同吗?

我在切换它们时没有发现任何性能差异。

【问题讨论】:

【参考方案1】:

检查torch.nn.functional的实现:

 if p < 0. or p > 1.:
        raise ValueError("dropout probability has to be between 0 and 1, "
                         "but got ".format(p))
    return (_VF.dropout_(input, p, training)
            if inplace
            else _VF.dropout(input, p, training))

检查:torch.nn.dropout 的实现:

def forward(self, input):
        return F.dropout(input, self.p, self.training, self.inplace)

所以:它们的内部操作是相同的。接口不同。至于_VF,我猜那是一些 C/C++ 代码。

【讨论】:

【参考方案2】:

其他答案中已经显示了技术差异。但主要区别在于nn.Dropout 是一个torch Module 本身,它具有一些便利性:

说明一些差异的简短示例:

import torch
import torch.nn as nn

class Model1(nn.Module):
    # Model 1 using functional dropout
    def __init__(self, p=0.0):
        super().__init__()
        self.p = p

    def forward(self, inputs):
        return nn.functional.dropout(inputs, p=self.p, training=True)

class Model2(nn.Module):
    # Model 2 using dropout module
    def __init__(self, p=0.0):
        super().__init__()
        self.drop_layer = nn.Dropout(p=p)

    def forward(self, inputs):
        return self.drop_layer(inputs)
model1 = Model1(p=0.5) # functional dropout 
model2 = Model2(p=0.5) # dropout module

# creating inputs
inputs = torch.rand(10)
# forwarding inputs in train mode
print('Normal (train) model:')
print('Model 1', model1(inputs))
print('Model 2', model2(inputs))
print()

# switching to eval mode
model1.eval()
model2.eval()

# forwarding inputs in evaluation mode
print('Evaluation mode:')
print('Model 1', model1(inputs))
print('Model 2', model2(inputs))
# show model summary
print('Print summary:')
print(model1)
print(model2)

输出:

Normal (train) model:
Model 1 tensor([ 1.5040,  0.0000,  0.0000,  0.8563,  0.0000,  0.0000,  1.5951,
         0.0000,  0.0000,  0.0946])
Model 2 tensor([ 0.0000,  0.3713,  1.9303,  0.0000,  0.0000,  0.3574,  0.0000,
         1.1273,  1.5818,  0.0946])

Evaluation mode:
Model 1 tensor([ 0.0000,  0.3713,  0.0000,  0.0000,  0.0000,  0.0000,  0.0000,
         0.0000,  0.0000,  0.0000])
Model 2 tensor([ 0.7520,  0.1857,  0.9651,  0.4281,  0.7883,  0.1787,  0.7975,
         0.5636,  0.7909,  0.0473])
Print summary:
Model1()
Model2(
  (drop_layer): Dropout(p=0.5)
)

那么我应该使用哪个?

两者在应用 dropout 方面是完全等价的,即使在使用上的差异不是很大,也有一些理由支持nn.Dropout 而不是nn.functional.dropout

Dropout 设计为仅在训练期间应用,因此在对模型进行预测或评估时,您希望关闭 dropout。

dropout 模块nn.Dropout 可以方便地处理这个问题,并在您的模型进入评估模式后立即关闭 dropout,而功能 dropout 不关心评估/预测模式。

即使您可以将功能退出设置为training=False 以将其关闭,但它仍然不像nn.Dropout 那样方便。

掉率也存储在模块中,因此您不必将其保存在额外的变量中。在较大的网络中,您可能希望创建具有不同丢弃率的不同丢弃层 - 这里nn.Dropout 可能会增加可读性,并且在多次使用这些层时也可以提供一些便利。

最后,分配给您的模型的所有模块都在您的模型中注册。因此,您的模型类会跟踪它们,这就是为什么您可以通过调用 eval() 来关闭 dropout 模块。使用功能性 dropout 时,您的模型不知道它,因此它不会出现在任何摘要中。

【讨论】:

感谢“我应该使用哪个?” - 那是我缺少的部分!我通常只做F.dropout(x,training = self.training) 来处理它的火车/评估差异。所以总结一下:这是个人喜好的问题? @Jakob 是的,完全正确! - nn.Dropout 只是打算为可用于图层样式的功能性 dropout 提供稍微更高级别的 API。但是,如果您按照描述的方式使用它,行为并没有真正的区别。 当我有多个要应用 dropout 的层时,我应该为每一层实例化一个 nn.Dropout 对象还是可以安全地重用它?一般来说:我如何知道哪些层可以重复使用,哪些不能重复使用? 我实际上在每一层都有一个(当然除了输入和输出)作为标准。 另一方面,与改变 Dropout“层”的 dropout 率相比,我发现功能 API 在 dropout 不固定时更方便。【参考方案3】:

如果查看nn.Dropout和Functional.Dropout的源代码,可以看到Functional是一个接口,nn模块实现了与该接口相关的功能。 查看nn 类中的实现:

from .. import functional as F
class Dropout(_DropoutNd):
    def forward(self, input):
        return F.dropout(input, self.p, self.training, self.inplace)

class Dropout2d(_DropoutNd):
    def forward(self, input):
        return F.dropout2d(input, self.p, self.training, self.inplace)

等等。

Functional类的实现:

def dropout(input, p=0.5, training=False, inplace=False):
    return _functions.dropout.Dropout.apply(input, p, training, inplace)

def dropout2d(input, p=0.5, training=False, inplace=False):
    return _functions.dropout.FeatureDropout.apply(input, p, training, inplace)

看下面的例子就明白了:

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x)

forward() 函数中有一个F.dropout,在__init__() 函数中有一个nn.Dropout。现在是这样的解释:

在 PyTorch 中,您将模型定义为 torch.nn.Module 的子类。

init 函数中,您应该初始化要使用的层。与 keras 不同,Pytorch 的级别更低,您必须指定网络的大小以使所有内容都匹配。

在 forward 方法中,您指定层的连接。这意味着您将使用已初始化的层,以便为您所做的每个前向传递数据重复使用相同的层。

torch.nn.Functional 包含一些有用的函数,例如可以使用的激活函数和卷积操作。但是,这些不是完整的层,所以如果你想指定任何类型的层,你应该使用 torch.nn.Module。

您可以使用 torch.nn.Functional conv 操作来定义自定义层,例如使用卷积操作,但不能定义标准卷积层。

【讨论】:

但是什么时候应该使用呢?这有什么不同吗? 我强烈建议您在讨论.pytorch.org 中询问有关pytorch 的问题。通过阅读问题和答案,我已经加入并学到了很多东西。 但是dropout本身没有任何参数/权重。那么为什么要将它们添加为图层呢?我有点想知道 F.dropout(x) 何时优于 nn.Dropout(反之亦然)。对我来说,他们做的完全一样。例如:F.droput(x)F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2)) 有什么区别(一个是函数,另一个是模块)?你能不能把后者换成F.relu(F.max_pool2d(F.dropout(self.conv2(x)), 2)) 在上面进行编辑:为什么要将它们添加到初始函数中/以这种方式使用它们? 你也可以看到这个帖子:discuss.pytorch.org/t/…

以上是关于在 Pytorch 中使用 Dropout:nn.Dropout 与 F.dropout的主要内容,如果未能解决你的问题,请参考以下文章

MLP中实现dropout,批标准化

如何在 Pytorch 中实现 dropout,以及在哪里应用它

Pytorch神经网络序列化容器

PyTorch 中带有 dropout 正则化的逻辑回归

如何使用 Pytorch 实现将 Alexnet 中的附加输入数据与最后一个 dropout 层的输出连接起来?

pytorch笔记:nn.MultiheadAttention