PyTorch 模型中使用全连接层和 Dropout 层的最佳实践

如果您想在模型中使用一个全连接层和三个dropout层，可以进行如下修改：

class MyNetwork(nn.Module):
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.fc = nn.Linear(312 * 256, 128)  # 全连接层
        self.dropout1 = nn.Dropout(0.5)  # 第一个dropout层
        self.dropout2 = nn.Dropout(0.3)  # 第二个dropout层
        self.dropout3 = nn.Dropout(0.2)  # 第三个dropout层
        self.output = nn.Linear(128, 3)

    def forward(self, x):
        x = self.flatten(x)
        x = self.dropout1(torch.relu(self.fc(x)))  # 在全连接层后应用第一个dropout层
        x = self.dropout2(x)  # 应用第二个dropout层
        x = self.dropout3(x)  # 应用第三个dropout层
        x = self.output(x)
        return x

在这个修改后的代码中，我们添加了三个名为dropout1、dropout2和dropout3的dropout层。这些dropout层被分别应用于全连接层之后，以引入随机性并减少过拟合现象。

请注意，每个dropout层的丢弃率（dropout rate）可以根据模型的需求进行调整。在这个示例中，我们分别使用了0.5、0.3和0.2作为丢弃率，您可以根据实际情况进行调整。

最终的全连接层self.output的输出尺寸应该与问题需要预测的类别数目相对应。

希望这个修改后的代码能满足您的需求。