x = torch.randn(20, 16)
dropout = nn.Dropout(p=0.2)
x_drop = dropout(x)
那么,这个操作表示使x每个位置的元素都有一定概率归0,以此来模拟现实生活中的某些频道的数据缺失,以达到数据增强的目的。
每个频道的数据缺失相互独立,以服从伯努利分布的概率值p来进行随机变为0。
也就是说在一张完整特征图中,随机失活一些像素点,以生成残次的特征图,这就是“模拟现实生活中的某些频道的数据缺失”。一句话说明:一个筛子提取特征成为一张纸,一张纸dropout后漏成筛子,然后再提取特征成为一张新的纸,重复这个过程。
参考:pytorch中nn.Dropout的使用技巧_木盏-CSDN博客_dropout pytorchhttps://blog.csdn.net/leviopku/article/details/120786990