Keras：LSTM辍学和LSTM复发性辍学之间的差异

根据Keras文件：

辍学：在0和1之间浮动。要降低的单位的分数 输入的线性变换

经常性_辍学：在0和1之间浮动。单位的分数 降为循环状态的线性变换

有人能指出每个辍学发生在图片下面的什么地方吗

---

我建议看一看（第一部分）。在输入和/或输出上应用常规的退出，这意味着从

x\u t

到

h\u t

的垂直箭头。在您的情况下，如果将其作为参数添加到图层中，它将屏蔽输入；您可以在重复层之后添加一个退出层，以屏蔽输出。经常性脱落屏蔽（或“脱落”）经常性单元之间的连接；这就是你照片中的水平箭头

这张照片是从上面的报纸上拍摄的。在左侧，输入和输出上的常规辍学。在右边，经常性辍学加上经常性辍学：

---

（在这种情况下，忽略箭头的颜色；在论文中，他们进一步强调在每个时间步保持相同的辍学掩码）

上述答案强调了一种反复出现的辍学方法，但tensorflow和keras没有使用该方法

Keras/TF指的是由。此外，请查看图片下方，比较不同的反复退出方法。上述答案中提到的方法位于第二位，精液法是最正确的

---

用于输入的线性变换

so x_tThanks，@michetonu。链接的论文和你的解释很有帮助。关于如何正确使用Keras中的定期辍学和反复辍学进行时间序列预测，您可以指出什么？似乎有一些例子结合了这两种辍学，而使用的只是反复的辍学。@KimMiller根据我所遇到的情况，使用一种或另一种，以及使用多少（目前）似乎没有多少科学依据。我倾向于对两者进行优化，并选择最有效的组合。而且似乎在层上应用（常规）dropout=参数，而不是单独应用dropout层。这些方法之间的有效区别是什么？