诸神缄默不语-个人CSDN博文目录

写作业的时候发现老师强调 F.dropout() 必须要传入 self.training，感到疑惑，所以上网搜寻了一下解释，最终明白了情况。

dropout方法出自Dropout: A Simple Way to Prevent Neural Networks from Overfitting，证明该方法有效的文献：Improving neural networks by preventing co-adaptation of feature detectors。
dropout方法是将输入Tensor的元素按伯努利分布随机置0，具体原理此处不赘，以后待补。总之就是训练的时候要用dropout，验证/测试的时候要关dropout。在PyTorch中的实现，是在训练阶段时输出直接乘以$\frac{1}{1-p}$，测试阶段就直接当恒等函数¹来用²。

Dropout一般适合于全连接层部分，而卷积层由于其参数并不是很多，所以不需要dropout，加上的话对模型的泛化能力并没有太大的影响。
我们一般在网络的最开始和结束的时候使用全连接层，而hidden layers则是网络中的卷积层。所以一般情况，在全连接层部分，采用较大概率的dropout而在卷积层采用低概率或者不采用dropout。³

以下介绍Module的training属性，F(torch.nn.functional).dropout 和 nn(torch.nn).Dropout 中相应操作的实现方式，以及Module的training属性受train()和eval()方法影响而改变的机制。

1. Module的training属性

见torch.nn.Module官方文档
是Module的属性，布尔值，返回Module是否处于训练状态。也就是说在训练时training就是True。
默认为True，也就是Module初始化时默认为训练状态。

2. torch.nn.functional.dropout的入参training

torch.nn.functional.dropout官方文档

torch.nn.functional.dropout(input, p=0.5, training=True, inplace=False)
入参training默认为True，置True时应用Dropout，置False时不用。
因此在调用F.dropout()时，直接将self.training传入函数，就可以在训练时应用dropout，评估时关闭dropout。

示例代码：

x=F.dropout(x,p,self.training)

3. torch.nn.Dropout不需要手动开关

torch.nn.Dropout官方文档

torch.nn.Dropout(p=0.5, inplace=False)

其源代码为（Dropout源码）：

class Dropout(_DropoutNd):
    def forward(self, input: Tensor) -> Tensor:
        return F.dropout(input, self.p, self.training, self.inplace)

就这个类相当于将 F.dropout() 进行了包装，内置传入了self.training，就不用像在 F.dropout() 里需要手动传参，也能实现在训练时应用dropout，评估时关闭dropout。

示例代码：

m = nn.Dropout(p=0.2)
input = torch.randn(20, 16)
output = m(input)

4. Module的train()和eval()方法改变self.training

torch.nn.Module.train官方文档
train(mode=True)
如果入参为True，则将Module设置为training mode，training随之变为True；反之则设置为evaluation mode，training为False。

torch.nn.Module.eval官方文档
eval()
将Module设置为evaluation mode，相当于 self.train(False)

5. 除正文中已列文档外的参考资料

1. PyTorch 有哪些坑/bug？ - 雷杰的回答 - 知乎 那时候F.dropout的training默认置False，更容易错了……
2. F.dropout源代码
3. （深度学习）Pytorch之dropout训练_junbaba_的博客-CSDN博客
4. torch.nn.Module中的training属性详情，与Module.train()和Module.eval（）的关系_chaiiiiiiiiiiiiiiiii的博客-CSDN博客

---

1. 恒等函数 identity function identity function维基百科 ↩︎

2. 测试阶段的源代码比较直接，可以看出来（来源：pytorch/symbolic_opset9.py at master · pytorch/pytorch）：
   ↩︎

3. 数据竞赛中如何优化深度学习模型 ↩︎