深度学习——Dropout的基本用法

一、Dropout是什么：

总之，Dropout是一种强大的正则化技术，用于改善神经网络的泛化性能，并减少过度的风险。它已经被广泛用于深度学习中的各种任务，包括分类、语音识别、自然语言处理等。 

三、简化的 Dropout 类的代码示例：

class Dropout:
    def __init__(self, dropout_ratio=0.5):
        self.dropout_ratio = dropout_ratio  # 指定丢弃的比例
        self.mask = None  # 用于存储丢弃的掩码
 
    def forward(self, x, train_flg=True):
        if train_flg:
            self.mask = np.random.rand(*x.shape) > self.dropout_ratio  # 生成与输入形状相同的随机掩码
            return x * self.mask  # 在前向传播中应用掩码，以实现丢弃部分神经元
        else:
            return x * (1.0 - self.dropout_ratio)  # 在测试或推理时，按比例缩放输出
 
    def backward(self, dout):
        return dout * self.mask  # 反向传播时，根据之前生成的掩码进行相应的乘法操作

这个Dropout类有以下主要方法：

• __init__: 类的初始化方法，指定用于丢弃的比例dropout_ratio，默认为0.5。

• forward：正向传播方法，接受输入x和一个训练布尔值train_flg，用于判断是否为一个模式。如果在训练模式下，它会生成一个与输入x形状相同的随机掩码self.mask，输入x与掩码相乘，以实现丢弃一部分神经元。在测试或推理模式下，它会按比例缩放输出，以保持输出的期望值不变。

• backward：逆向传播方法，接受最小dout，根据之前生成的预留码self.mask，对最小进行相应的乘法操作，以实现逆向传播。

四、 使用MNIST数据集进行验证，以确认Dropout的效果

代码如下：

import os
import sys
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import matplotlib.pyplot as plt
from dataset.mnist import load_mnist
from common.multi_layer_net_extend import MultiLayerNetExtend
# from common.trainer import Trainer
from common.optimizer import *
class Trainer:
    def __init__(self, network, x_train, t_train, x_test, t_test,
                 epochs=20, mini_batch_size=100,
                 optimizer='SGD', optimizer_param={'lr': 0.01},
                 evaluate_sample_num_per_epoch=None, verbose=True):
        self.network = network
        self.verbose = verbose
        self.x_train = x_train
        self.t_train = t_train
        self.x_test = x_test
        self.t_test = t_test
        self.epochs = epochs
        self.batch_size = mini_batch_size
        self.evaluate_sample_num_per_epoch = evaluate_sample_num_per_epoch
 
        # optimzer
        optimizer_class_dict = {'sgd': SGD, 'momentum': Momentum, 'nesterov': Nesterov,
                                'adagrad': AdaGrad, 'rmsprpo': RMSprop, 'adam': Adam}
        self.optimizer = optimizer_class_dict[optimizer.lower()](**optimizer_param)
 
        self.train_size = x_train.shape[0]
        self.iter_per_epoch = max(self.train_size / mini_batch_size, 1)
        self.max_iter = int(epochs * self.iter_per_epoch)
        self.current_iter = 0
        self.current_epoch = 0
 
        self.train_loss_list = []
        self.train_acc_list = []
        self.test_acc_list = []
    def train_step(self):
        batch_mask = np.random.choice(self.train_size, self.batch_size)
        x_batch = self.x_train[batch_mask]
        t_batch = self.t_train[batch_mask]
 
        grads = self.network.gradient(x_batch, t_batch)
        self.optimizer.update(self.network.params, grads)
 
        loss = self.network.loss(x_batch, t_batch)
        self.train_loss_list.append(loss)
        if self.verbose: print("train loss:" + str(loss))
 
        if self.current_iter % self.iter_per_epoch == 0:
            self.current_epoch += 1
 
            x_train_sample, t_train_sample = self.x_train, self.t_train
            x_test_sample, t_test_sample = self.x_test, self.t_test
            if not self.evaluate_sample_num_per_epoch is None:
                t = self.evaluate_sample_num_per_epoch
                x_train_sample, t_train_sample = self.x_train[:t], self.t_train[:t]
                x_test_sample, t_test_sample = self.x_test[:t], self.t_test[:t]
 
            train_acc = self.network.accuracy(x_train_sample, t_train_sample)
            test_acc = self.network.accuracy(x_test_sample, t_test_sample)
            self.train_acc_list.append(train_acc)
            self.test_acc_list.append(test_acc)
 
            if self.verbose: print(
                "=== epoch:" + str(self.current_epoch) + ", train acc:" + str(train_acc) + ", test acc:" + str(
                    test_acc) + " ===")
        self.current_iter += 1
 
    def train(self):
        for i in range(self.max_iter):
            self.train_step()
 
        test_acc = self.network.accuracy(self.x_test, self.t_test)
 
        if self.verbose:
            print("=============== Final Test Accuracy ===============")
            print("test acc:" + str(test_acc))
 
            
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True)
 
# 为了再现过拟合，减少学习数据
x_train = x_train[:300]
t_train = t_train[:300]
 
# 设定是否使用Dropuout，以及比例 ========================
use_dropout = False  # 不使用Dropout的情况下为False
dropout_ratio = 0.2
# ====================================================
 
network = MultiLayerNetExtend(input_size=784, hidden_size_list=[100, 100, 100, 100, 100, 100],
                              output_size=10, use_dropout=use_dropout, dropout_ration=dropout_ratio)
trainer = Trainer(network, x_train, t_train, x_test, t_test,
                  epochs=301, mini_batch_size=100,
                  optimizer='sgd', optimizer_param={'lr': 0.01}, verbose=True)
trainer.train()
 
train_acc_list, test_acc_list = trainer.train_acc_list, trainer.test_acc_list
 
# 绘制图形==========
markers = {'train': 'o', 'test': 's'}
x = np.arange(len(train_acc_list))
plt.plot(x, train_acc_list, marker='o', label='train', markevery=10)
plt.plot(x, test_acc_list, marker='s', label='test', markevery=10)
plt.xlabel("epochs")
plt.ylabel("accuracy")
plt.ylim(0, 1.0)
plt.legend(loc='lower right')
plt.show()

得出的效果：

 左边没有使用Dropout，右边使用了Dropout