dropout怎么用

Dropout 是一种常用的正则化技术，可以有效地防止过拟合现象。在训练神经网络时，Dropout 会以一定的概率随机丢弃一些神经元，从而降低神经元之间的依赖性，防止模型过于依赖某些特征，提高模型的泛化能力。

在 PyTorch 中，可以通过 nn.Dropout(p) 来添加 Dropout 层，其中 p 表示丢弃神经元的概率，一般建议设置为 0.5。在模型中添加 Dropout 层的代码如下：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(100, 50)
        self.dropout = nn.Dropout(0.5)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = self.fc1(x)
        x = self.dropout(x)
        x = self.fc2(x)
        return x

在训练模型时，需要开启 Dropout，可以通过调用 model.train() 来开启 Dropout，代码如下：

model = MyModel()
model.train() # 开启 Dropout

在测试模型时，需要关闭 Dropout，可以通过调用 model.eval() 来关闭 Dropout，代码如下：

model = MyModel()
model.eval() # 关闭 Dropout