如何理解SpatialDropout1D以及何时使用它？

偶尔我会看到一些模型正在使用SpatialDropout1D代替Dropout。例如，在词性标记神经网络中，他们使用：

model = Sequential()
model.add(Embedding(s_vocabsize, EMBED_SIZE,
                    input_length=MAX_SEQLEN))
model.add(SpatialDropout1D(0.2)) ##This
model.add(GRU(HIDDEN_SIZE, dropout=0.2, recurrent_dropout=0.2))
model.add(RepeatVector(MAX_SEQLEN))
model.add(GRU(HIDDEN_SIZE, return_sequences=True))
model.add(TimeDistributed(Dense(t_vocabsize)))
model.add(Activation("softmax"))

根据 Keras 的文档，它说：

该版本执行与 Dropout 相同的功能，但它会丢弃 整个一维特征图而不是单个元素。

但是，我无法理解其含义输入一维特征。更具体地说，我无法想象SpatialDropout1D在同一模型中解释quora https://www.quora.com/How-does-the-dropout-method-work-in-deep-learning-And-why-is-it-claimed-to-be-an-effective-trick-to-improve-your-network。 有人可以使用与 quora 中相同的模型来解释这个概念吗？

另外，我们在什么情况下会使用SpatialDropout1D代替Dropout?

为了简单起见，我首先要指出的是，所谓的特征图（1D、2D 等）是我们的常规通道。让我们看一下例子：

1. Dropout()：我们定义 2D 输入：[[1, 1, 1], [2, 2, 2]]。 Dropout 将独立考虑每个元素，并可能导致类似 [[1, 0, 1], [0, 2, 2]] 的结果

2. SpatialDropout1D()：在这种情况下，结果将类似于 [[1, 0, 1], [2, 0, 2]]。请注意，第二个元素已被归零all渠道。