Machine learning Keras：如何在列车和测试阶段使用中途退出？

是否可以在Keras的列车和测试阶段使用中途退出

就像这里描述的：

---

当然，当调用

退出层时，您可以将
训练
参数设置为
真
。这样，辍学将在培训和考试阶段都适用：

drp_输出=辍学（率）（输入，培训=真）#辍学将在培训和测试阶段激活
这两个答案都让我有点困惑。更简单地说，您可能会发现自己在做这样的事情：

model = Model(...)
...
model.add(Dropout(0.5))
...
model.fit(...)        # invokes Dropout(training=True)
...
model.evaluate(...)   # invokes Dropout(training=False)

也就是说，当您定义模型时，您可以添加
Dropout
层，其中包含您在培训期间想要的辍学率。测试和培训之间的比率没有明显差异；相反，它被声明为一个固定值，然后（不可见地）根据调用该层的
training
参数打开/关闭。请参阅。
在Keras的高斯噪声层中也可以这样做吗？@david看起来在Keras中可以使用
Keras.backend.set_learning_phase（1）
但我想在Tensorflow中，如果你在退出层中设置
training=True
，它会在图形转换为冻结图形或转换为coreml/tflite后保持不变吗？@MrGlow我想是这样，虽然我不确定。为什么你认为可能不是这样？因为冻结图用于推理而不是训练，所以我不确定我们是否可以在其中切换训练/测试阶段。立即供认：这并不能回答最初的问题，直到现在我才误读。但在试图理解如何使用辍学学生时，这个问题排名很高。问题是关于做一些不寻常的事情——将辍学学生应用到考试和培训中。这个答案说明了仅将辍学应用于培训的更为正常的情况。