PyTorchを使用すると、torch.nn.Dropout
とtorch.nn.F.Dropout
をドロップアウトする2つの方法があります。
それらの使用の違いを見つけるのに苦労しています
-何を使用するか?
-違いはありますか?
切り替えたときにパフォーマンスの違いは見られません。
技術的な違いは、もう一方の回答ですでに示されています。ただし、主な違いは、nn.Dropout
はトーチモジュール自体であり、利便性があることです。
いくつかの違いを説明する短い例:
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)
出力:
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)
)
だからどちらを使うべきですか?
ドロップアウトの適用に関しては両方とも完全に同等であり、使用法の違いはそれほど大きくはありませんが、nn.Dropout
よりもnn.functional.dropout
を優先する理由がいくつかあります。
ドロップアウトはトレーニング中にのみ適用されるように設計されているため、モデルの予測または評価を行う場合、ドロップアウトをオフにする必要があります。
ドロップアウトモジュールnn.Dropout
はこれを便利に処理し、モデルが評価モードに入るとすぐにドロップアウトをシャットオフしますが、機能的なドロップアウトは評価/予測モードを気にしません。
canで機能ドロップアウトをtraining=False
に設定して無効にしても、nn.Dropout
のような便利な解決策ではありません。
また、ドロップ率はモジュールに保存されるため、追加の変数に保存する必要はありません。大規模なネットワークでは、異なるドロップレートで異なるドロップアウトレイヤーを作成する必要がある場合があります-ここでnn.Dropout
は読みやすさを向上させ、レイヤーを複数回使用する場合にも便利です。
最後に、モデルに割り当てられているすべてのモジュールがモデルに登録されます。したがって、モデルクラスはそれらを追跡します。そのため、eval()
を呼び出してドロップアウトモジュールをオフにすることができます。機能的ドロップアウトを使用する場合、モデルはそれを認識しないため、サマリーには表示されません。
nn.Dropout および Functional.Dropout のソースコードを見ると、Functional
がインターフェイスであり、nn
モジュールが関数を実装していることがわかります。このインターフェイスに関して。nn
クラスの実装を見てください:
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)
等々。
Functional
クラスの実装:
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)
以下の例を見て理解してください。
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()
関数にはF.dropout
があり、__init__()
関数にはnn.Dropout
があります。これが説明です:
PyTorchでは、モデルをtorch.nn.Moduleのサブクラスとして定義します。
init関数では、使用するレイヤーを初期化することになっています。ケラスとは異なり、Pytorchはより低レベルになり、すべてが一致するようにネットワークのサイズを指定する必要があります。
Forwardメソッドでは、レイヤーの接続を指定します。これは、作成したデータの転送パスごとに同じレイヤーを再利用するために、既に初期化したレイヤーを使用することを意味します。
torch.nn.Functionalには、使用可能な畳み込み操作であるアクティベーション関数などの便利な関数が含まれています。ただし、これらは完全なレイヤーではないため、任意の種類のレイヤーを指定する場合は、torch.nn.Moduleを使用する必要があります。
Torch.nn.Functional conv操作を使用して、たとえば畳み込み操作でカスタムレイヤーを定義しますが、標準の畳み込みレイヤーは定義しません。
torch.nn.functional
の実装を確認します。
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))
チェック:torch.nn.dropout
の実装:
def forward(self, input):
return F.dropout(input, self.p, self.training, self.inplace)
そのため、内部操作は同じです。インターフェイスは異なります。 _VF
に関しては、C/C++コードだと思います。