Tensorflow Keras前传带辍学

我正试图用辍学来建立一个神经网络

---

这包括在训练后运行我的网络的几次向前传递，并激活退出。但是，调用model.predict（）时，似乎没有激活退出。这可以在Keras中完成，还是我必须在其他地方进行称重？

这已经在Keras中完成，请参见项目页面上的示例。关于它如何工作的更多信息可以在-AFAIK中找到，一个非常类似的实现在Keras中。具体而言：

（…）重要的是，请注意，在预测函数中，我们没有下降 现在，我们正在执行两个隐藏层输出的缩放 这一点很重要，因为在测试时，所有的神经元都能看到所有的信息 他们的输入，所以我们希望测试时神经元的输出 与培训时的预期输出相同

可以使用keras后端函数实现随机前向传递（在测试期间使用辍学）。假设您有一个经过训练的神经网络，名为

模型

：

from keras import backend as K

nb_MC_samples = 100
MC_output = K.function([model.layers[0].input, K.learning_phase()], [model.layers[-1].output])

learning_phase = True  # use dropout at test time
MC_samples = [MC_output([x_test, learning_phase])[0] for _ in xrange(nb_MC_samples)]
MC_samples = np.array(MC_samples)  # [#samples x batch size x #classes]

---

有关完整的实现，请参见以下内容。

在获得错误估计时，我需要进行随机向前传递。即，每次使用不同的退出口罩向前传球100次。但在预测过程中，似乎没有神经元脱落，这正是这里的代码所说的：-在测试/预测阶段，不使用脱落。相反，应用比例权重。如果您希望在两个方向上都有显式辍学，您可以使用Lambda定义自己的版本。他希望在两个方向上都有显式辍学，也就是说，他希望能够在测试时应用辍学，而不是使用比例权重。对于TF>=2