我应该在神经网络中的哪里放置辍学层？

关于在神经网络中的何处放置缺失层，是否有任何通用指南？

在Hinton（2012）提出弃用层的原始论文中，在输出之前，在每个完全连接的（致密）层上均使用了弃用（p = 0.5）。卷积层上没有使用它。这成为最常用的配置。

最近的研究表明，即使在较低的水平上（p = 0.1或0.2），在将压差应用于卷积层时也具有一定的价值。在每个卷积层的激活函数之后使用了Dropout：CONV-> RELU-> DROP。

在每个线性投影的前面。请参阅Srivastava等。（2014）。

原始论文提出了输出之前在每个完全连接的（密集）层上使用的辍学层。卷积层上没有使用它。

当我们在输入图像的宽度和高度上滑动滤镜时，我们不得在卷积层之后使用滤除层，我们会生成一个二维激活图，该图会给出该滤镜在每个空间位置的响应。因此，当缺失层中和（使其为零）随机神经元时，就有可能在我们的训练过程中失去图像中非常重要的特征。

如果我没看错，您可以在每个单元格的非线性之后添加它：

layer_1 = (1/(1+np.exp(-(np.dot(X,synapse_0)))))
if(do_dropout):
    layer_1 *= np.random.binomial([np.ones((len(X),hidden_dim))],1-dropout_percent)[0] * (1.0/(1-dropout_percent))

第一行是激活函数，最后一行是将删除项添加到结果中。请参考这个博客。希望这可以帮助。

或者，您可以按照以下代码片段将其放置在输入嵌入中：

class BahdanauAttnDecoderRNN(nn.Module):
    def __init__(self, hidden_size, output_size, n_layers=1, dropout_p=0.1):
        super(AttnDecoderRNN, self).__init__()

        # Define parameters
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.n_layers = n_layers
        self.dropout_p = dropout_p
        self.max_length = max_length

        # Define layers
        self.embedding = nn.Embedding(output_size, hidden_size)
        self.dropout = nn.Dropout(dropout_p)
        self.attn = GeneralAttn(hidden_size)
        self.gru = nn.GRU(hidden_size * 2, hidden_size, n_layers, dropout=dropout_p)
        self.out = nn.Linear(hidden_size, output_size)

    def forward(self, word_input, last_hidden, encoder_outputs):
        # Note that we will only be running forward for a single decoder time step, but will use all encoder outputs

        # Get the embedding of the current input word (last output word)
        word_embedded = self.embedding(word_input).view(1, 1, -1) # S=1 x B x N
        word_embedded = self.dropout(word_embedded)

        # Calculate attention weights and apply to encoder outputs
        attn_weights = self.attn(last_hidden[-1], encoder_outputs)
        context = attn_weights.bmm(encoder_outputs.transpose(0, 1)) # B x 1 x N

        # Combine embedded input word and attended context, run through RNN
        rnn_input = torch.cat((word_embedded, context), 2)
        output, hidden = self.gru(rnn_input, last_hidden)

        # Final output layer
        output = output.squeeze(0) # B x N
        output = F.log_softmax(self.out(torch.cat((output, context), 1)))

        # Return final output, hidden state, and attention weights (for visualization)
        return output, hidden, attn_weights

来源：https : //github.com/spro/practical-pytorch/blob/master/seq2seq-translation/seq2seq-translation.ipynb

从技术上讲，您可以在块的末尾添加辍学层，例如在卷积之后或在RNN编码之后。