Machine Learning/Deep Learning

Dropout vs Inverted Dropout

devson 2024. 5. 21. 21:38

Dropout은 overfitting을 막기 위한 regularization 방법이다.

Dropout에는 크게 두 가지 방법이 있다고 볼 수 있다.

 

Dropout

여기서 설명하는 Dropout은 Dropout: A Simple Way to Prevent Neural Networks from Overfitting 논문에서 나온 형태이다.

  • training time에는 drop_rate의 확률로 노드의 출력을 0으로 만든다.
    • PyTorch, Keras에서는 drop 확률(PyTorch: p / Keras: rate)을 사용한다.
    • 원 논문에서 사용하는 확률 p는 drop할 확률이 아니라 다음 노드로 출력을 전달할 확률이다.
  • test time에는 출력을 (1 - drop_rate) 만큼 곱해주어 training time 때의 기대 출력과 동일하게 만들어준다. 
    • e.g.) drop_rate가 0.4이면 출력에 0.6을 곱해준다.
    • 원 논문에서 얘기하는 p로 설명했을 때는 출력에 p를 곱해줘야한다.

# dropout 예제 코드
import numpy as np

def dropout(inputs, drop_rate, training):
    assert 0 <= drop_rate < 1
    
    if training:
        mask = drop_rate < np.random.uniform(0, 1, inputs.shape)
        return inputs * mask
    
    return inputs * (1-drop_rate)

 

Inverted Dropout

앞서 살펴본 Dropout의 변형된 형태로 PyTorch, Keras 모두 사용하고 있는 Dropout 방법이다.

(Dropout doc 참고: PyTorch, Keras)

  • training time에는 drop_rate의 확률로 노드의 출력을 0으로 만들고(비활성화),
    출력이 0이 아닌(활성화된) 노드의 출력에 1 / (1 - drop_rate)를 곱해주어 그 값을 키운다.
    • 앞서 Dropout 에서 test time때 (1 - drop_rate)를 곱해준 것 처럼,
      inverted dropout의 test time 때 기대 출력과 동일하게 만들어 주기 위함인 것 같다.
  • test time에는 아무런 연산 없이 그대로 출력 해준다.
    • test time에 연산을 없앰으로써 모델의 테스트 성능을 높여준다.
# 예제 코드
import numpy as np

def inverted_dropout(inputs, drop_rate, training):
    assert 0 <= drop_rate < 1
        
    if training:
        mask = drop_rate < np.random.uniform(0, 1, inputs.shape)
        masked_input = inputs * mask
        return masked_input / (1.0 - drop_rate)
    
    return inputs

 

 

 

참고