python - Pytorch:nn.Dropout 与 F.dropout

Question

有两种方法可以执行dropout:

• torch.nn.Dropout
• torch.nn.function.Dropout

我问:

• 它们之间有区别吗？
• 我什么时候应该使用其中一种而不是另一种？

当我切换它们时，我没有看到任何性能差异。

Answer 1

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

用于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 方面完全等效，尽管使用差异不大，但有一些理由支持 nn.Dropout超过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。

辍学模块nn.Dropout可以方便地处理这个问题，并在模型进入评估模式后立即关闭 dropout，而功能性 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要关闭它，它仍然不是像nn.Dropout那样方便的解决方案.

此外，掉落率也存储在模块中，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 - 此处 nn.Dropout可以增加可读性，并且在多次使用图层时也可以带来一些便利。

最后，分配给您的模型的所有模块都会在您的模型中注册。所以你的模型类会跟踪它们，这就是为什么你可以通过调用 eval() 来关闭 dropout 模块。 。当使用函数 dropout 时，您的模型不会意识到它，因此它不会出现在任何摘要中。