Класс SpatialDropout2D

Класс SpatialDropout2D применяется к данным и выполняет пространственный дропаут для четырехмерных тензоров формы (batch, height, width, channels). В отличие от обычного Dropout, который обнуляет отдельные элементы, этот слой отключает целые карты признаков целиком. Первым параметром передается вероятность отключения rate, вторым - форма входных данных input_shape.

Синтаксис

tf.keras.layers.SpatialDropout2D(rate, [input_shape])

Пример

Давайте создадим слой пространственного дропаута с вероятностью отключения 0.3 и применим его к тензору:

import tensorflow as tf

tf.random.set_seed(0)

layer = tf.keras.layers.SpatialDropout2D(rate=0.3)
t = tf.constant([[[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]]]])
res = layer(t, training=True)
print(res)

Результат выполнения кода:

tf.Tensor(
[[[[0. 0.]
   [0. 0.]
   [0. 0.]]]], shape=(1, 1, 3, 2), dtype=float32)

Пример

Давайте применим слой в режиме предсказания training=False, когда дропаут не активен:

import tensorflow as tf

layer = tf.keras.layers.SpatialDropout2D(rate=0.3)
t = tf.constant([[[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]]]])
res = layer(t, training=False)
print(res)

Результат выполнения кода:

tf.Tensor(
[[[[1. 2.]
   [3. 4.]
   [5. 6.]]]], shape=(1, 1, 3, 2), dtype=float32)

Пример

Давайте встроим слой в модель и посмотрим на его параметры:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.SpatialDropout2D(rate=0.5, input_shape=(4, 4, 3))
])
print(model.output_shape)

Результат выполнения кода:

(None, 4, 4, 3)

Смотрите также

класс Dropout,
который применяет обычный дропаут к элементам
класс Conv2D,
который выполняет двумерную свертку
класс GaussianDropout,
который применяет мультипликативный гауссов дропаут
класс GaussianNoise,
который добавляет аддитивный гауссов шум