嵌入层之后的丢弃层

Question

model = tf.keras.Sequential([
    tf.keras.layers.Embedding(1000, 16, input_length=20), 
    tf.keras.layers.Dropout(0.2),                           # <- How does the dropout work?
    tf.keras.layers.Conv1D(64, 5, activation='relu'),
    tf.keras.layers.MaxPooling1D(pool_size=4),
    tf.keras.layers.LSTM(64),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

我能理解什么时候在Dense层之间应用dropout，随机丢弃并阻止前层神经元更新参数。我不明白在 Embedding layer.

之后 dropout 是如何工作的

假设 Embedding layer 的输出形状是 (batch_size,20,16) 或者如果我们忽略批量大小就简单地 (20,16) 。 dropout 如何应用于嵌入层的输出？

随机删除行或列？

Answer 1

dropout 层丢弃前面层的输出。
它会随机强制以前的输出为 0.
在您的情况下，嵌入层的输出将是 3d 张量 (size, 20, 16)

import tensorflow as tf
import numpy as np
tf.random.set_seed(0)
layer = tf.keras.layers.Dropout(0.5)
data = np.arange(1,37).reshape(3, 3, 4).astype(np.float32)
data

输出

array([[[ 1.,  2.,  3.,  4.],
        [ 5.,  6.,  7.,  8.],
        [ 9., 10., 11., 12.]],

       [[13., 14., 15., 16.],
        [17., 18., 19., 20.],
        [21., 22., 23., 24.]],

       [[25., 26., 27., 28.],
        [29., 30., 31., 32.],
        [33., 34., 35., 36.]]], dtype=float32)

代码：

outputs = layer(data, training=True)
outputs

输出：

<tf.Tensor: shape=(3, 3, 4), dtype=float32, numpy=
array([[[ 0.,  0.,  6.,  8.],
        [ 0., 12.,  0., 16.],
        [18.,  0., 22., 24.]],

       [[26.,  0.,  0., 32.],
        [34., 36., 38.,  0.],
        [ 0.,  0., 46., 48.]],

       [[50., 52., 54.,  0.],
        [ 0., 60.,  0.,  0.],
        [ 0.,  0.,  0., 72.]]], dtype=float32)>

您应该考虑的一种方法是 SpatialDropout1d，它实际上会删除整个列。

layer = tf.keras.layers.SpatialDropout1D(0.5)
outputs = layer(data, training=True)

输出：

<tf.Tensor: shape=(3, 3, 4), dtype=float32, numpy=
array([[[ 2.,  0.,  6.,  8.],
        [10.,  0., 14., 16.],
        [18.,  0., 22., 24.]],

       [[26., 28.,  0., 32.],
        [34., 36.,  0., 40.],
        [42., 44.,  0., 48.]],

       [[ 0.,  0., 54., 56.],
        [ 0.,  0., 62., 64.],
        [ 0.,  0., 70., 72.]]], dtype=float32)>

希望这能消除您的困惑。

嵌入层之后的丢弃层

Dropout layer after embedding layer

tensorflow

nlp

lstm

recurrent-neural-network

word-embedding