Python 辍学是否适用于Keras中的正规化术语？

我有一个定制的正则化术语

my_reg

model=Sequential（）
添加（密集（128，activation='relu'））
添加（密集（64，activation='relu'））
#最后一层使用自定义正则化器正则化
添加（密集（10，激活='softmax'，W_正则化器=我的_reg））
模型。添加（辍学率（0.5））

---

在培训过程中，

辍学（0.5）

是否也适用于

my_reg

？如果不是，我怎样才能使它成为现实？提前谢谢

>P>DoupWord通过删除神经元，将它们的激活设置为零，因此在概念上也影响该神经元的权重，可以考虑将其应用于任何正则化项，但是注意，权重从未明确地设置为零，因此，您将看到正则化系数效应几乎没有变化。

谢谢Matias！我不能完全肯定你最后的陈述。假设我将L2正则化器添加到由Dropout（0.5）应用的层。然后会有50%的权重被L2正则化器更新，另外50%在这个迭代中不会改变，所以正则化效果会改变，对吗？@PiggyWenzhou很复杂，因为权重没有设置为零，神经元的激活设置为零，所以梯度为零，但权重不是零，因此，在L2正则化中仍然会考虑它们，与丢弃神经元相关的权重不会改变，但在计算L2正则化项时仍然会使用这些权重。