dropblock

收录理由

在卷积网络里，普通的dropout往往效果有限，因为相邻的激活值在空间上高度相关，即使随机丢弃一些单元，信息仍能通过周围路径传递。DropBlock的思路是直接丢弃特征图上整块连续区域，迫使网络学习不依赖邻近单元的鲁棒特征。这个库忠实实现了2018年NeurIPS论文中的方法，提供DropBlock2D和DropBlock3D模块，并附带LinearScheduler，可在训练中逐步提高丢弃概率——论文指出这能提升精度并降低对超参数的敏感度。通过PyPI安装后，几行代码就能接入现有训练流程，仓库里的ResNet-CIFAR10示例也给出了实际用法。无论你是想复现论文结果，还是为视觉模型寻找更强的正则化手段，这个实现都是干净可靠的参考。