论文简介：训练更快，泛化更强的Dropout：Multi-Sample Dropout
论文标题：Multi-Sample Dropout for Accelerated Training and Better Generalization
论文链接：https://arxiv.org/pdf/1905.09788.pdf
论文作者：{Hiroshi Inoue}
论文简介
本文阐述的也是一种 dropout 技术的变形——multi-sample dropout。传统 dropout 在每轮训练时会从输入中随机选择一组样本（称之为 dropout 样本），而 multi-sample dropout 会创建多个 dropout 样本，然后平均所有样本的损失，从而得到最终的损失。这种方法只要在 dropout 层后复制部分训练网络，并在这些复制的全连接层之间共享权重就可以了，无需新运算符。通过综合 M 个 dropout 样本的损失来更新网络参数，使得最终损失比任何一个 dropout 样本的损失都低。这样做的效果类似于对一个 minibatch 中的每个输入重复训练 M 次。因此，它大大减少了训练迭代次数。
Multi-Sample Dropout
图 1 是一个简单的 multi-sample dropout 实例，作图为我们经常在炼丹中用到的“流水线”Dropout，在图片中这个 multi-sample dropout 使用了 2 个 dropout 。该实例中只使用了现有的深度学习框架和常见的操作符。如图所示，每个 dropout 样本都复制了原网络中 dropout 层和 dropout 后的几层，图中实例复制了「dropout」、「fully connected」和「softmax + loss func」层。在 dropout 层中，每个 dropout 样本使用不同的掩码来使其神经元子集不同，但复制的全连接层之间会共享参数（即连接权重），然后利用相同的损失函数，如交叉熵，计算每个 dropout 的损失，并对所有 dropout 样本的损失值进行平均，就可以得到最终的损失值。
该方法以最后的损失值作为优化训练的目标函数，以最后一个全连接层输出中的最大值的类标签作为预测标签。当 dropout 应用于网络尾段时，由于重复操作而增加的训练时间并不多。值得注意的是，multi-sample dropout 中 dropout 样本的数量可以是任意的，而图 1 中展示了有两个 dropout 样本的实例。
另外需要注意的是，神经元在推理过程中是不会被忽略的。只计算一个 dropout 样本的损失是因为 dropout 样本在推理时是一样的，这样做可以对网络进行修剪以消除冗余计算。要注意的是，在推理时使用所有的 dropout 样本并不会严重影响预测性能，只是稍微增加了推理时间的计算成本。
Pytorch实现
https://github.com/lonePatient/multi-sample_dropout_pytorch
在初始化方法中，定义了一个ModuleList，包含多个Dropout， 在forward中，对样本进行多次dropout，最后对out求平均，对loss求平均。其中，dropout_num为超参数，表示Multi-Sample中，Multi的具体值，核心代码如下：
self.dropouts = nn.ModuleList([nn.Dropout(dropout_p) for _ in range(dropout_num)])
完整ResNet模型结构：
class ResNet(nn.Module): def __init__(self, ResidualBlock, num_classes,dropout_num,dropout_p): super(ResNet, self).__init__() self.inchannel = 32 self.conv1 = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1, bias=False), nn.BatchNorm2d(32), nn.ReLU(), ) self.layer1 = self.make_layer(ResidualBlock, 32, 2, stride=1) self.layer2 = self.make_layer(ResidualBlock, 64, 2, stride=2) self.layer3 = self.make_layer(ResidualBlock, 64, 2, stride=2) self.layer4 = self.make_layer(ResidualBlock, 128, 2, stride=2) self.fc = nn.Linear(128,num_classes) self.dropouts = nn.ModuleList([nn.Dropout(dropout_p) for _ in range(dropout_num)]) def make_layer(self, block, channels, num_blocks, stride): strides = [stride] + [1] * (num_blocks - 1) #strides=[1,1] layers = [] for stride in strides: layers.append(block(self.inchannel, channels, stride)) self.inchannel = channels return nn.Sequential(*layers) def forward(self, x,y = None,loss_fn = None): out = self.conv1(x) out = self.layer1(out) out = self.layer2(out) out = self.layer3(out) out = self.layer4(out) feature = F.avg_pool2d(out, 4) if len(self.dropouts) == 0: out = feature.view(feature.size(0), -1) out = self.fc(out) if loss_fn is not None: loss = loss_fn(out,y) return out,loss return out,None else: for i,dropout in enumerate(self.dropouts): if i== 0: out = dropout(feature) out = out.view(out.size(0),-1) out = self.fc(out) if loss_fn is not None: loss = loss_fn(out, y) else: temp_out = dropout(feature) temp_out = temp_out.view(temp_out.size(0),-1) out =out+ self.fc(temp_out) if loss_fn is not None: loss = loss+loss_fn(temp_out, y) if loss_fn is not None: return out / len(self.dropouts),loss / len(self.dropouts) return out,None
Bert如何使用Multi-Sample Dropout
于BERT家族模型使用了很多Dropout，采用上述实现过于复杂，一种更简单的实现：
for step, (input_ids, attention_mask, token_type_ids, y) in enumerate(tk): input_ids, attention_mask, token_type_ids, y = input_ids.to(device), attention_mask.to( device), token_type_ids.to(device), y.to(device).long() with autocast(): for i in range(batch_n_iter): output = model(input_ids, attention_mask, token_type_ids).logits loss = criterion(output, y) / CFG['accum_iter'] SCALER.scale(loss).backward() SCALER.step(optimizer) SCALER.update() optimizer.zero_grad()
- 其中，batch_n_iter为超参数，表示Multi-Sample中，Multi的具体值。
如果大家用抱抱脸的话，可以按照下面模板设置：
class multilabel_dropout(): # Multisample Dropout 论文: https://arxiv.org/abs/1905.09788 def __init__(self, HIGH_DROPOUT, HIDDEN_SIZE): self.high_dropout = torch.nn.Dropout(config.HIGH_DROPOUT) self.classifier = torch.nn.Linear(config.HIDDEN_SIZE * 2, 2) def forward(self, out): return torch.mean(torch.stack([ self.classifier(self.high_dropout(p)) for p in np.linspace(0.1,0.5, 5) ], dim=0), dim=0)
Multi-Sample Dropout作用
关于原理的话，因为发现网上写的很全了，这里偷懒了，大家可以看参考资料，这里主要给大家提供下代码了。
- 大幅减少训练迭代次数
- 提高泛化能力
参考资料
Multi-Sample Dropout for Accelerated Training and Better Generalization
