"Dropout"、"Monte-Carlo Dropout"和"Channel-wise Dropout"有什么区别？

Question

我遇到了上述术语，我不确定它们之间的区别。

我的理解是MC dropout是普通的dropout，同时在测试时也进行激活，这样我们可以在多次测试运行中获得模型不确定性的估计。至于通道级别的dropout，我一无所知。

奖励问题：如何在Keras中实现MC dropout和通道级别dropout的简单方法？

- lmz

Answer 1

你说得对，与常规的dropout不同，MC Dropout在推理期间也会应用。如果你搜索一下，就可以很容易地找到相关信息。

关于通道化dropout，我的理解是它不是舍弃特定神经元，而是整个通道都被舍弃。

现在在Keras中（我将使用tf.keras），我们需要实现它。

MC Dropout

像平常一样，在Keras中定义一个自定义层，该层无论是训练还是测试都应用dropout，因此我们可以使用带有固定dropout率的tf.nn.dropout()：

import tensorflow as tf

class MCDropout(tf.keras.layers.Layer):
    def __init__(self, rate):
        super(MCDropout, self).__init__()
        self.rate = rate

    def call(self, inputs):
        return tf.nn.dropout(inputs, rate=self.rate)

使用示例：

import tensorflow as tf
import numpy as np

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(filters=6, kernel_size=3))
model.add(MCDropout(rate=0.5))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(2))
model.compile(optimizer=tf.keras.optimizers.SGD(0.001),
              loss='binary_crossentropy',
              metrics=['accuracy'])

# generate dummy data for illustration
x_train = np.random.normal(size=(10, 4, 4, 3))
x_train = np.vstack([x_train, 2*np.random.normal(size=(10, 4, 4, 3))])
y_train = [[1, 0] for _ in range(10)] + [[0, 1] for _ in range(10)]
y_train = np.array(y_train)

model.fit(x_train,
          y_train,
          epochs=2,
          batch_size=10,
          validation_data=(x_train, y_train))

通道丢弃

在这里，您可以使用相同的tf.nn.dropout()函数，但是您必须指定噪声形状。 tf.nn.dropout()的文档提供了如何实现删除通道的示例:

shape(x) = [k, l, m, n] 和noise_shape = [k, 1, 1, n], 每个批次和通道组件将被独立保留，并且每行和每列将一起被保留或不保留。

这就是我们将在call()方法中执行的操作：

class ChannelWiseDropout(tf.keras.layers.Layer):
    def __init__(self, rate):
        super(ChannelWiseDropout, self).__init__()
        self.rate = rate

    def call(self, inputs):
        shape = tf.keras.backend.shape(inputs)
        noise_shape = (shape[0], 1, 1, shape[-1])
        return tf.nn.dropout(inputs,
                             rate=self.rate,
                             noise_shape=noise_shape)

将其应用于一些示例：

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.InputLayer(input_shape=(4, 4, 3)))
model.add(tf.keras.layers.Conv2D(filters=3, kernel_size=3))
model.add(ChannelWiseDropout(rate=0.5))

x_train = np.random.normal(size=(1, 4, 4, 3))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(model.output, feed_dict={model.inputs[0]:x_train})
    print(res[:, :, :, 0])
    print(res[:, :, :, 1])
    print(res[:, :, :, 2])
# [[[2.5495746  1.3060737 ]
#   [0.47009617 1.0427766 ]]]
# [[[-0.  0.]
#   [-0. -0.]]]                <-- second and third channels were dropped
# [[[-0. -0.]
#   [-0. -0.]]]

注意

我使用的是tf.__version__ == '1.13.1'。旧版本的tf使用keep_prob = 1 - rate而不是rate参数。

- Vlad