咱们来聊聊，啥样的预测模型才算是好模型？简单来说，就是那种在处理它从没见过的数据时，也能表现得特别棒的模型。老派的泛化理论告诉我们，要想让模型在训练集和测试集上都表现差不多，就得让模型简单点。这个简单，可以是参数少一点，还可以权重衰减，其实就是让参数的值别太大，这也是让模型保持简单性的一个好方法。还有一个概念就是平滑性，意思是说，模型对输入数据的小变化应该不那么敏感。比如在图像分类任务中，我们希望即使图像上有点随机噪声，模型也能正确地识别出来。
时间快进到1995年，有个叫克里斯托弗·毕晓普的大佬，他把这种想法变成了数学上的理论。他证明了，如果在训练时给输入数据加上点噪声，这实际上就相当于做了Tikhonov正则化。他的工作把函数需要平滑（也就是简单）的要求，和对输入扰动的抵抗力，这两者之间的数学关系给说清楚了。
然后到了2014年，Srivastava他们想出了一个绝妙的点子，就是怎么把毕晓普的想法用到神经网络的内部层。他们建议在训练的时候，在计算下一层之前，给网络的每一层都注入点噪声。他们发现，这样做可以让深层神经网络的输入输出映射更加平滑。
他们提出的这个点子，叫做Dropout，现在已经成了训练神经网络的标准操作了。这个操作之所以叫dropout，是因为在训练过程中，我们真的会"丢掉"一些神经元。每次迭代的时候，我们会随机把一些节点的输出置为零，这样下一层的计算就不会用到这些节点了。
直白一些，Dropout是深度神经网络里用来防止模型太复杂、记性太好的一种技巧。就像是，我们故意让网络忘记一些东西，这样它就不会把所有的训练数据都记得太死，从而在遇到新数据时能更好地适应。
简单来说，神经网络就像是一堆小团队，每个团队都忙着处理信息。但是，如果每个团队都只关注自己的工作，不跟别人合作，那整个网络处理信息的能力就会受到影响。所以，dropout就是在训练的时候，随机让一些团队暂时离线，这样剩下的团队就得学会在缺少某些信息的情况下工作。
为啥这么做呢？因为我们不想让模型只在训练数据上表现好，而是真的想让它在现实世界中也能派上用场。如果模型对训练数据记得太清楚，它可能就会忽略掉那些它没见过的新信息，这就是所谓的过拟合。Dropout就是通过让网络"忘记"一些信息，来防止这种情况发生的。
Dropout层的意思就是，在神经网络中故意忽略掉一些信息，好让模型不会过于依赖某些特定的数据点。
就好比我们的大脑，随时都在处理一大堆乱七八糟的信息，但不是所有的信息都是重要的。神经网络也是这样，它的每个单元都在忙忙碌碌地接收和发送信息，但这些信息里头，有的是关键的，有的可能就是干扰项。
数据科学家们用dropout这个技巧，就是想在模型学习的过程中，随机地让一些单元不工作，这样就能减少那些干扰项的影响。具体操作起来，他们会在神经网络的不同层用不同的策略来应用dropout：
-
输入层：这就像是神经网络的大门，原始数据就是从这儿进来的。如果有些数据跟我们要解决的问题没啥关系，就可以在这儿用dropout忽略掉。
-
中间层或隐藏层：这些层就像是神经网络的加工车间，数据进来后在这里经过一系列的处理。但是，这些处理的结果并不都是最终答案，很多都只是半成品。因为这些半成品里头可能包含了不少噪声，所以数据科学家们会在这些层用dropout来减少噪声。
-
输出层：这是神经网络给出最终答案的地方，这里的信息都是最重要的，所以通常不会用dropout。
总的来说，dropout就是数据科学家们用来提高模型泛化能力，避免过拟合的一种手段。通过dropout，可以让模型更加专注于学习那些真正重要的信息。
Dropout的实际例子和用场挺多的，我给你举两个例子来说明它是咋回事：
-
太空信号监听：想象一下，有个组织专门监控从宇宙深处传来的声音，他们想找的是那些重复的、有规律的信号，因为这可能意味着外星生命的存在。他们把收集到的声音信号送到神经网络里进行分析。在分析前，科学家们会先筛掉那些听起来乱七八糟、没啥规律的声音。同时，他们还会在神经网络的中间处理环节，故意忽略掉一部分数据，这样可以减少计算量，加快找出结果的速度。
-
生化公司研发新材料：再比如，有一家生化公司想研发一种全新的塑料。他们已经知道需要哪些基本元素来组成这种塑料，但具体的配方还不知道。为了节省研究时间和计算资源，他们用了一个神经网络来筛选全球的相关研究资料，但这个网络只关注那些直接和这种分子及其元素有关的研究，其他不相关的信息都会被自动过滤掉。这样做的好处是，他们的AI模型就不会出现过拟合，也就是不会因为数据太杂太乱而做出错误的预测。
最后来聊聊大型语言模型里怎么用dropout来帮忙模型学得更好？
首先，咱们得决定在哪里加dropout。通常是在词嵌入完了之后、每个处理层（比如Transformer或RNN）之后，有时候甚至在输出前也会加一点。
接下来，得挑个合适的dropout率，这个得靠试。一般这个率在0.1到0.5之间，每层可能还不一样，有时候中间那些层可能需要更大一点。
然后，得多做实验，用交叉验证来看看不同的dropout率哪个最好。这个过程可以用些自动化的工具来帮忙。
训练的时候，每次都得随机让一些神经元不工作，但测试的时候就全用上，这样模型就能好好表现了。
如果是特别大的模型，可能得多用点dropout，因为大模型容易记住太多东西，不太容易适应新情况。
dropout还可以和其他方法一起用，比如让权重小一点或者用更多的数据，这样模型能更好地适应各种情况。
训练的时候得看着点，比如损失是不是小了，准确率是不是高了，这些都是dropout有没有用的信号。
还可以用些工具来搞清楚dropout到底是咋帮忙的。
最后，训练和测试的时候dropout得保持一致，别一会儿用一会儿不用的。
用dropout就是为了让模型别太死记硬背，碰到新情况也能应对。这个得好好调调，确保它真能帮上忙，但又不会让模型学得太差。
接下来，我们分别用mxnet，pytorch 及 tensorflow 来简单以代码的方式来从头开始实现一下，注意不保证代码的完整性，只做参考。
要实现单层的dropout函数，我们必须根据层的维度从伯努利（二元）随机变量中抽取尽可能多的样本，其中随机变量以概率(1-p)取值(1)（保留）和概率(p)取值(0)（丢弃）。一种简单的实现方法是首先从均匀分布(U[0, 1])中抽取样本。然后我们可以保留对应样本大于(p)的节点，丢弃其余的。
在下面的代码中，我们实现了一个dropout_layer函数，它以概率dropout丢弃张量输入X中的元素，然后按照上述描述重新缩放剩余部分：将幸存者除以1.0-dropout。
from mxnet import autograd, gluon, init, np, npx
from mxnet.gluon import nn
from d2l import mxnet as d2l
npx.set_np()
def dropout_layer(X, dropout):
assert 0 <= dropout <= 1
# 在这种情况下，所有元素都被丢弃
if dropout == 1:
return np.zeros_like(X)
# 在这种情况下，所有元素都被保留
if dropout == 0:
return X
mask = np.random.uniform(0, 1, X.shape) > dropout
return mask.astype(np.float32) * X / (1.0 - dropout)
import torch
from torch import nn
from d2l import torch as d2l
def dropout_layer(X, dropout):
assert 0 <= dropout <= 1
# 在这种情况下，所有元素都被丢弃
if dropout == 1:
return torch.zeros_like(X)
# 在这种情况下，所有元素都被保留
if dropout == 0:
return X
mask = (torch.rand(X.shape) > dropout).float()
return mask * X / (1.0 - dropout)
import tensorflow as tf
from d2l import tensorflow as d2l
def dropout_layer(X, dropout):
assert 0 <= dropout <= 1
# 在这种情况下，所有元素都被丢弃
if dropout == 1:
return tf.zeros_like(X)
# 在这种情况下，所有元素都被保留
if dropout == 0:
return X
mask = tf.random.uniform(
shape=tf.shape(X), minval=0, maxval=1) < 1 - dropout
return tf.cast(mask, dtype=tf.float32) * X / (1.0 - dropout)我们可以在一些示例上测试dropout_layer函数。在下面的代码行中，我们以概率0、0.5和1通过dropout操作传递我们的输入X。
X = np.arange(16).reshape(2, 8)
print(dropout_layer(X, 0))
print(dropout_layer(X, 0.5))
print(dropout_layer(X, 1))
X= torch.arange(16, dtype = torch.float32).reshape((2, 8))
print(X)
print(dropout_layer(X, 0.))
print(dropout_layer(X, 0.5))
print(dropout_layer(X, 1.))
X = tf.reshape(tf.range(16, dtype=tf.float32), (2, 8))
print(X)
print(dropout_layer(X, 0.))
print(dropout_layer(X, 0.5))
print(dropout_layer(X, 1.))接下来，定义模型参数，我们可以使用Fashion-MNIST数据集。下面定义了一个具有两个隐藏层，每个隐藏层包含256个单元的MLP。
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
W1 = np.random.normal(scale=0.01, size=(num_inputs, num_hiddens1))
b1 = np.zeros(num_hiddens1)
W2 = np.random.normal(scale=0.01, size=(num_hiddens1, num_hiddens2))
b2 = np.zeros(num_hiddens2)
W3 = np.random.normal(scale=0.01, size=(num_hiddens2, num_outputs))
b3 = np.zeros(num_outputs)
params = [W1, b1, W2, b2, W3, b3]
for param in params:
param.attach_grad()
num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256
num_outputs, num_hiddens1, num_hiddens2 = 10, 256, 256这个时候，可以定义模型了。
下面的模型在每个隐藏层的输出（激活函数之后）应用dropout。我们可以为每层分别设置dropout概率。一个常见的趋势是在接近输入层的地方设置较低的dropout概率。下面我们将第一层和第二层的dropout概率分别设置为0.2和0.5。我们确保dropout只在训练期间激活。
dropout1, dropout2 = 0.2, 0.5
def net(X):
X = X.reshape(-1, num_inputs)
H1 = npx.relu(np.dot(X, W1) + b1)
# 仅在训练模型时使用dropout
if autograd.is_training():
# 在第一个全连接层之后添加一个dropout层
H1 = dropout_layer(H1, dropout1)
H2 = npx.relu(np.dot(H1, W2) + b2)
if autograd.is_training():
# 在第二个全连接层之后添加一个dropout层
H2 = dropout_layer(H2, dropout2)
return np.dot(H2, W3) + b3
dropout1, dropout2 = 0.2, 0.5
class Net(nn.Module):
def __init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2,
is_training = True):
super(Net, self).__init__()
self.num_inputs = num_inputs
self.training = is_training
self.lin1 = nn.Linear(num_inputs, num_hiddens1)
self.lin2 = nn.Linear(num_hiddens1, num_hiddens2)
self.lin3 = nn.Linear(num_hiddens2, num_outputs)
self.relu = nn.ReLU()
def forward(self, X):
H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
# 仅在训练模型时使用dropout
if self.training == True:
# 在第一个全连接层之后添加一个dropout层
H1 = dropout_layer(H1, dropout1)
H2 = self.relu(self.lin2(H1))
if self.training == True:
# 在第二个全连接层之后添加一个dropout层
H2 = dropout_layer(H2, dropout2)
out = self.lin3(H2)
return out
net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)
dropout1, dropout2 = 0.2, 0.5
class Net(tf.keras.Model):
def __init__(self, num_outputs, num_hiddens1, num_hiddens2):
super().__init__()
self.input_layer = tf.keras.layers.Flatten()
self.hidden1 = tf.keras.layers.Dense(num_hiddens1, activation='relu')
self.hidden2 = tf.keras.layers.Dense(num_hiddens2, activation='relu')
self.output_layer = tf.keras.layers.Dense(num_outputs)
def call(self, inputs, training=None):
x = self.input_layer(inputs)
x = self.hidden1(x)
if training:
x = dropout_layer(x, dropout1)
x = self.hidden2(x)
if training:
x = dropout_layer(x, dropout2)
x = self.output_layer(x)
return x
net = Net(num_outputs, num_hiddens1, num_hiddens2)最后，进行训练和测试。
num_epochs, lr, batch_size = 10, 0.5, 256
loss = gluon.loss.SoftmaxCrossEntropyLoss()
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs,
lambda batch_size: d2l.sgd(params, lr, batch_size))
num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
num_epochs, lr, batch_size = 10, 0.5, 256
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = tf.keras.optimizers.SGD(learning_rate=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
