Dropout 层

[源代码]

Dropout 类

tf_keras.layers.Dropout(rate, noise_shape=None, seed=None, **kwargs)

应用 Dropout 到输入。

Dropout 层在训练期间会以 rate 的频率随机将输入单元设置为 0，这有助于防止过拟合。未设置为 0 的输入会按 1/(1 - rate) 的比例缩放，以保持所有输入的总和不变。

请注意，Dropout 层仅在 training 设置为 True 时应用，这样在推理期间不会丢弃任何值。在使用 model.fit 时，training 会自动设置为 True；在其他上下文中，您可以在调用层时显式将此关键字参数设置为 True。

(这与为 Dropout 层设置 trainable=False 不同。trainable 不会影响层的行为，因为 Dropout 没有可以在训练期间冻结的变量/权重。)

>>> tf.random.set_seed(0)
>>> layer = tf.keras.layers.Dropout(.2, input_shape=(2,))
>>> data = np.arange(10).reshape(5, 2).astype(np.float32)
>>> print(data)
[[0. 1.]
 [2. 3.]
 [4. 5.]
 [6. 7.]
 [8. 9.]]
>>> outputs = layer(data, training=True)
>>> print(outputs)
tf.Tensor(
[[ 0.    1.25]
 [ 2.5   3.75]
 [ 5.    6.25]
 [ 7.5   8.75]
 [10.    0.  ]], shape=(5, 2), dtype=float32)

参数

• rate：0 到 1 之间的浮点数。要丢弃的输入单元的比例。
• noise_shape：一个一维整数张量，表示将与输入相乘的二进制 Dropout 掩码的形状。例如，如果您的输入形状为 (batch_size, timesteps, features)，并且您希望 Dropout 掩码在所有时间步长都相同，则可以使用 noise_shape=(batch_size, 1, features)。
• seed: 用作随机种子的 Python 整数。

调用参数

• inputs：输入张量（任何秩）。
• training：布尔值，指示层是应在训练模式下（添加丢弃）还是在推理模式下（不执行任何操作）运行。