python - "Dropout"、 "Monte-Carlo Dropout"和 "Channel-wise Dropout"有什么区别？

Question

我遇到过上述术语，但不确定它们之间的区别。

我的理解是 MC dropout 是正常的 dropout，它在测试期间也是活跃的，允许我们在多次测试运行中得到模型不确定性的估计。至于 channel-wise dropout，我一无所知。

奖励:在 Keras 中实现 MC dropout 和 channel-wise dropout 的简单方法是什么？

Answer 1

你说得对，在推理过程中也应用了 MC Dropout，这与常规 dropout 不同。如果你用谷歌搜索它，你可以很容易地找到关于这两者的大量信息。

关于 channel-wise dropout，我的理解是它不是丢弃特定的神经元，而是丢弃整个 channel 。

现在是 Keras 中的实现(我将使用 tf.keras)。

MC 丢失

像往常一样，Keras 定义了一个自定义层，无论它是训练还是测试，它都应用 dropout，因此我们可以只使用 tf.nn.dropout() 和恒定的 dropout 率:

import tensorflow as tf

class MCDropout(tf.keras.layers.Layer):
    def __init__(self, rate):
        super(MCDropout, self).__init__()
        self.rate = rate

    def call(self, inputs):
        return tf.nn.dropout(inputs, rate=self.rate)

使用示例:

import tensorflow as tf
import numpy as np

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(filters=6, kernel_size=3))
model.add(MCDropout(rate=0.5))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(2))
model.compile(optimizer=tf.keras.optimizers.SGD(0.001),
              loss='binary_crossentropy',
              metrics=['accuracy'])

# generate dummy data for illustration
x_train = np.random.normal(size=(10, 4, 4, 3))
x_train = np.vstack([x_train, 2*np.random.normal(size=(10, 4, 4, 3))])
y_train = [[1, 0] for _ in range(10)] + [[0, 1] for _ in range(10)]
y_train = np.array(y_train)

model.fit(x_train,
          y_train,
          epochs=2,
          batch_size=10,
          validation_data=(x_train, y_train))

Channel-Wise Dropout

在这里您可以使用相同的 tf.nn.dropout() 函数，但是，您必须指定噪声形状。 documentation tf.nn.dropout() 给出了如何实现丢弃 channel 的确切示例:

shape(x) = [k, l, m, n] and noise_shape = [k, 1, 1, n], each batch and channel component will be kept independently and each row and column will be kept or not kept together.

这就是我们要在 call() 方法中做的事情:

class ChannelWiseDropout(tf.keras.layers.Layer):
    def __init__(self, rate):
        super(ChannelWiseDropout, self).__init__()
        self.rate = rate

    def call(self, inputs):
        shape = tf.keras.backend.shape(inputs)
        noise_shape = (shape[0], 1, 1, shape[-1])
        return tf.nn.dropout(inputs,
                             rate=self.rate,
                             noise_shape=noise_shape)

将它应用到一些例子中:

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.InputLayer(input_shape=(4, 4, 3)))
model.add(tf.keras.layers.Conv2D(filters=3, kernel_size=3))
model.add(ChannelWiseDropout(rate=0.5))

x_train = np.random.normal(size=(1, 4, 4, 3))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(model.output, feed_dict={model.inputs[0]:x_train})
    print(res[:, :, :, 0])
    print(res[:, :, :, 1])
    print(res[:, :, :, 2])
# [[[2.5495746  1.3060737 ]
#   [0.47009617 1.0427766 ]]]
# [[[-0.  0.]
#   [-0. -0.]]]                <-- second and third channels were dropped
# [[[-0. -0.]
#   [-0. -0.]]]

注意

我正在使用 tf.__version__ == '1.13.1'。 tf 的旧版本使用 keep_prob = 1 - rate 而不是 rate 参数。