开篇明义， dropout 是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。 dropout 是CNN中防止过拟合提高效果的一个大杀器，但对于其为何有效，却众说纷纭。在下读到两篇代表性的论文，代表两种不同的观点，特此分享给大家。

PyTorch 的 Tensor 是张量（多维数组）的数学抽象，与 Numpy 数组类似。下面是如何使用 PyTorch Tensor 的一些示例： 1. 创建 Tensor ： import torch # 创建一个数字为 1 的 1 维 Tensor a = torch. tensor (1) # 创建一个数组为 [1, 2, 3] 的 1 维 Tensor b = torch. tensor ([1, 2, 3]) # 创建一个形状为 (3, 3)，数字全为 0 的 2 维 Tensor c = torch.zeros(3, 3) # 创建一个形状为 (3, 3)，数字全为 1 的 2 维 Tensor d = torch.ones(3, 3) # 创建一个形状为 (3, 3)，数字随机的 2 维 Tensor e = torch.rand(3, 3) 2. Tensor 的运算： a = torch. tensor ([1, 2, 3]) b = torch. tensor ([4, 5, 6]) # 加法运算 c = a + b # 乘法运算 d = a * b # 张量的平方 e = a ** 2 # 张量的平均值 f = a.mean() 3. Tensor 与 Numpy 的转换： import numpy as np # Tensor 转 Numpy a = torch. tensor ([1, 2, 3]) b = a.numpy() # Numpy 转 Tensor c = np.array([1, 2, 3]) d = torch.from_numpy(c) 以上只是 PyTorch Tensor 的基本使用方法，更详细的内容可以参考 PyTorch 官方文档：https:// pytorch .org/docs/stable/ tensor s.html。