Deep learning 使用nn.Sequential（）方法+；皮托克

我正在尝试使用nn.Sequential（）为我的神经网络创建一个退出层，如下所示：

class DropoutLayer(nn.Module):
    def __init__(self, p):
        super().__init__()
        self.p = p
    def forward(self, input):
        if self.training:
            u1 = (np.random.rand(*input.shape)<self.p) 
            u1 *= input
            return u1
        else:
            input *= self.p
model = nn.Sequential(Flatten(),DropoutLayer(p = 0.7),nn.LogSoftmax(dim = -1))
opt = torch.optim.Adam(modelDp.parameters(), lr=0.005)
train(modelDp, opt, 5)

类DropoutLayer（nn.Module）：
定义初始化（self，p）：
super（）。\uuuu init\uuuuu（）
self.p=p
def前进（自我，输入）：
如果是自我培训：
u1=（np.random.rand（*input.shape）首先，我假设有一个小的输入错误：您声明
model=nn.Sequential（…）
，但随后使用
modelDp.parameters（）
。我假设您刚刚犯了一个小的复制粘贴错误，这些错误实际上是一样的

产生此错误是因为模型中没有任何层具有可训练的参数，即受梯度反向传播步骤影响的参数。实际上，此“网络”根本无法学习任何东西

为了消除错误并获得实际工作的神经网络，您需要包括学习层，根据您之前报告的错误，学习层是线性层。这类似于：

model = nn.Sequential(nn.Linear(784, 10), Flatten(), DropoutLayer(0.7), nn.LogSoftMax(dim=-1))

现在再补充几句：


您可能希望使用pytorch随机张量而不是Numpy。当您最终希望在GPU上移动网络时，处理
设备将更容易


当您在
eval
模式下尝试时，此代码将立即产生另一个错误，因为
forward
方法中的第二个条件分支不返回任何内容。您可能希望用
return input*self.p


此代码中没有任何内容会产生此错误。784x10形状让我认为您正在使用MNIST，使用的是线性层，我认为此层失败。您是否使用了128的批处理大小，并在
视图中出错
？此外，此代码与此代码非常相似：。我可以问一下在哪里执行此操作吗代码来自？这是深度学习的家庭作业。是的，我使用的批量大小为128，并使用flatte（）
类展平（nn.Module）：def forward（self，x）：return x.view（x.size（）[0]，-1）