Python tensorflow中的辍学现象

辍学如何为3d输入工作。 例如，对于

tf.nn.dropout（x，0.1）

如果x的尺寸是2*10*10的三维尺寸

然后，是否在每个通道中应用了逐通道平均值，它将随机忽略10个值 （因此在本例中，第一个通道随机忽略10，第二个通道随机忽略10） 还是它

---

应用于整个输入意味着它随机忽略整个2*10*10特征中的20个值？

退出只是正则化，但我们只在一个层中使用少数特征或神经元，而不是整个层的正则化。如有必要，可以为每层应用“辍学”。在处理辍学问题时，我们必须主要考虑一个参数，即辍学率。此外，辍学也用于过度拟合或高方差。下面是它的工作原理：

考虑单个神经元只有5个特征的单神经元神经网络。现在，在这个例子中增加了辍学是因为神经元不能依赖于任何单一的特征，所以当辍学应用于这个输入时，它会根据给定的速率进行少量输入，并随机选择少量特征，并在特定的迭代中消除。因此，对于每次迭代，退出将随机消除特征，这使得神经元不依赖于任何一个特征

现在我们考虑5层3层特征隐单元的深度神经网络：（7, 7, 3，2, 1）最后一层是输出层。现在在这个例子中，我们可以为每一层添加辍学，但这里是它如何变化的。当应用到有7个单位的第一层时，我们使用比率=0.3，这意味着我们必须从7个单位随机减少30%的单位。对于下一个有7个单元的层，我们加上辍学率=0.5，因为这里是上一个第7层单元和这个第7层单元，使这个层过度拟合数据，所以我们使50%的单元下降。对于第三层，我们应该降低速率，因为第三层的隐藏层是7，第四层是3，这意味着只有很少的连接。现在对于下一层，我们不需要应用dropout，因为它只有很少的隐藏单元。
现在我们可以为输入层应用dropout，但这并不经常。如果可以这样做，那么下降率将接近0.1，并且小于0.1

---

这都是关于辍学的。我已经在coursera上完成了一个深入的学习课程，因此分享了这些知识中的信息。

谢谢，但我的问题是关于3d输入中的值是如何下降的，如我在示例中所述。正如我在提供3d输入时提到的，让我们以10x10x2为例。现在功能的数量是300。现在，当以某种速率应用退出时，它所做的只是随机选择并放弃它们。你有3D输入很重要，因为我们所知道的只是特征。因此，辍学者将随机选择并放弃他们。