PyTorch中实现卷积神经网络正则化，在训练集和验证集中都要添加Dropout

可以使用PyTorch中的nn.Dropout()函数来实现Dropout正则化。在训练集和验证集中都要添加Dropout，可以在模型中使用model.train()和model.eval()来切换模式。在训练时，使用model.train()来启用Dropout，而在验证时，使用model.eval()来禁用Dropout。以下是一个示例代码片段：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(128 * 8 * 8, 512)
        self.fc2 = nn.Linear(512, 10)
        self.dropout = nn.Dropout(p=0.5)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 128 * 8 * 8)
        x = nn.functional.relu(self.fc1(x))
        x = self.dropout(x)
        x = self.fc2(x)
        return x

在这个示例中，我们定义了一个包含两个卷积层和两个全连接层的模型，并在第一个全连接层后添加了一个Dropout层。在训练时，我们使用model.train()来启用Dropout，而在验证时，我们使用model.eval()来禁用Dropout。