为什么我们必须退出Tensorflow？

我读过这篇文章。通过在ANN中制造非活性中子，脱落将有助于防止过度装配。但是下一个问题

既然我们可以调整安的中子量，为什么我们必须放弃中子？。例如，这段代码有什么不同

首先

第二

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(80, activation='relu'),
  tf.keras.layers.Dense(10)
])

---

我们使用80个中子，而不是100个中子，在每个训练阶段使用80个中子，其中20个中子会脱落。使用脱落，随机选择并移除一些神经元。在测试阶段，使用每个神经元

因此，第一种方法是使用100个神经元，但它们是这样训练的。 [第一次]H1、H2、H3、…、H80接受培训 [第二次]H61、H62、…、H100正在进行培训

---

第二种方法是使用80个神经元，每次都进行训练。

辍学可能会移除训练中的少数神经元，以减少过度拟合。在第一个代码中，在训练期间，20%的神经元将丢失，这意味着与这些神经元相关的权重在训练期间不会更新。在测试过程中，所有的神经元都会在那里，网络会看到所有的100个神经元。对于第二种情况，在训练和测试期间，网络将在训练和测试面部看到80个神经元

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(80, activation='relu'),
  tf.keras.layers.Dense(10)
])