在PyTorch中实现和展示背景幕功能，以及GP数据集生成器的代码演示

背景：随机反向传播 西亚瓦什·高卡（Siavash Golkar） 凯尔·克兰默（Kyle Cranmer） 概括 是一种灵活且易于实现的工具，用于将随机性引入渐变，可以直观地描述为沿Backpropagation管道的Dropout。 在随机梯度下降不适合或定义不明确的问题中，背景可以导致优化性能的显着提高。 这些通常分为两大类：1）不可分解损失的问题； 2）每个样本可以直观地视为由许多较小的子样本组成的问题。 执行 与辍学类似，背景是通过在网络中插入一个或多个屏蔽层来实现的。 背景遮罩层在前向通过过程中是透明的，但会沿后向通过阻止渐变的随机部分。 在损失函数不可分解的问题中，背景仅通过相对于样本的随机选择子集传播梯度来起作用。 这是此过程的一个动画片，其中x是样本，c是从各个样本派生的一些潜在变量，L是不可分解的损失。 我们用黑色实线表示前进，用红色虚线表示渐变计算。 在该示例中