Keras 中的 GaussianDropout 与 Dropout 与 GaussianNoise

如何解决Keras 中的 GaussianDropout 与 Dropout 与 GaussianNoise

谁能解释不同辍学风格之间的区别？从 documentation 中，我假设 GaussianDropout 不是将某些单位降为零（dropout），而是将这些单位乘以某种分布。然而，在实际测试时，所有单元都被触及。结果看起来更像经典的 GaussianNoise。

tf.random.set_seed(0)
layer = tf.keras.layers.GaussianDropout(.05,input_shape=(2,))
data = np.arange(10).reshape(5,2).astype(np.float32)
print(data)

outputs = layer(data,training=True)
print(outputs)

结果：

[[0. 1.]
 [2. 3.]
 [4. 5.]
 [6. 7.]
 [8. 9.]]
tf.Tensor(
[[0.    1.399]
 [1.771 2.533]
 [4.759 3.973]
 [5.562 5.94 ]
 [8.882 9.891]],shape=(5,2),dtype=float32)

编辑：

显然，这就是我一直想要的：

def RealGaussianDropout(x,rate,stddev):

    keep_prob = 1 - rate
    random_tensor = tf.random.uniform(tf.shape(x))
    keep_mask = tf.cast(random_tensor >= rate,tf.float32)   
    noised = x + K.random_normal(tf.shape(x),mean=.0,stddev=stddev)   
    ret = tf.multiply(x,keep_mask) + tf.multiply(noised,(1-keep_mask))

    return ret


outputs = RealGaussianDropout(data,0.2,0.1)
print(outputs)

解决方法

你说得对... GaussianDropout 和 GaussianNoise 非常相似。您可以通过自己复制来测试所有相似之处

def dropout(x,rate):

    keep_prob = 1 - rate
    scale = 1 / keep_prob
    ret = tf.multiply(x,scale)
    random_tensor = tf.random.uniform(tf.shape(x))
    keep_mask = random_tensor >= rate
    ret = tf.multiply(ret,tf.cast(keep_mask,tf.float32))
    
    return ret

def gaussian_dropout(x,rate):
    
    stddev = np.sqrt(rate / (1.0 - rate))
    ret = x * K.random_normal(tf.shape(x),mean=1.0,stddev=stddev)
    
    return ret

def gaussian_noise(x,stddev):
    
    ret = x + K.random_normal(tf.shape(x),mean=.0,stddev=stddev)
    
    return ret

高斯噪声只是简单地将随机正态值与 0 均值相加，而高斯 dropout 只是将随机正态值与 1 均值相乘。这些操作涉及输入的所有元素。经典的 dropout 将一些输入元素变为 0 对其他元素进行缩放

退出

data = np.arange(10).reshape(5,2).astype(np.float32)

set_seed(0)
layer = tf.keras.layers.Dropout(.4)
out1 = layer(data,training=True)
set_seed(0)
out2 = dropout(data,.4)
print(tf.reduce_all(out1 == out2).numpy()) # TRUE

高斯下降

data = np.arange(10).reshape(5,2).astype(np.float32)

set_seed(0)
layer = tf.keras.layers.GaussianDropout(.05)
out1 = layer(data,training=True)
set_seed(0)
out2 = gaussian_dropout(data,.05)
print(tf.reduce_all(out1 == out2).numpy()) # TRUE

GAUSSIANNOISE

data = np.arange(10).reshape(5,2).astype(np.float32)

set_seed(0)
layer = tf.keras.layers.GaussianNoise(.3)
out1 = layer(data,training=True)
set_seed(0)
out2 = gaussian_noise(data,.3)
print(tf.reduce_all(out1 == out2).numpy()) # TRUE

为了保证我们使用的可重复性 (TF2)：

def set_seed(seed):
    
    tf.random.set_seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    np.random.seed(seed)
    random.seed(seed)