Tensorflow Keras的辍学率不高'；改变学习阶段不会产生任何影响

这是我的密码。

---

当我运行模型时，每次运行都得到相同的结果。但是，在运行模型时，结果是否会因为丢失层而发生轻微变化？

所有丢失层都已丢失，这将使模型始终丢失相同的神经元。现在，每个层都有固定的输入、固定的权重（而不是优化模型），并且始终有相同的退出，您将始终获得相同的输出。

所有退出层都有，这将使模型始终丢弃相同的神经元。现在，每个层都有固定的输入、固定的权重（而不是优化模型），并且始终有相同的退出，您将始终获得相同的输出。

那么，是否仍有更改随机种子的方法？我尝试使用tf.set\u random\u seed，但仍然得到相同的结果。此外，当我尝试打印退出层和之前的层时，我没有看到任何不同。根本不要使用seed。它仅用于测试，特别是用于生成可预测的预测，如果您正在训练模型，请从退出层中删除种子。那么，是否仍有更改随机种子的方法？我尝试使用tf.set\u random\u seed，但仍然得到相同的结果。此外，当我尝试打印退出层和之前的层时，我没有看到任何不同。根本不要使用seed。它仅用于测试，特别是用于生成可预测的预测，如果您正在训练模型，请从退出层中移除种子。

inp = Input([10], name='Input')
X = Dense(10, activation='relu', kernel_initializer='glorot_uniform')(inp)
X = Dropout(0.5, seed=0)(X)
X = Dense(1, activation='relu', kernel_initializer='glorot_uniform')(X)
X = Dropout(0.5, seed=0)(X)
m = Model(inputs=inp, outputs=X)
u = np.random.rand(1,10)

sess.run(tf.global_variables_initializer())
K.set_learning_phase(0)
print(sess.run(X, {inp: u}))
print(sess.run(X, {inp: u}))
K.set_learning_phase(1)
print(sess.run(X, {inp: u}))
print(sess.run(X, {inp: u}))
print(m.predict(u))