TensorFlow：如何在不使用提要的情况下更改辍学的保留问题

我已经构建了一个TensorFlow模型，该模型与输入队列提供的培训和测试批次一起工作。因此，我没有使用标准的feed_dict明确地为训练提供数据。然而，我需要实现dropout，这需要一个keep_prob占位符在测试期间关闭dropout

如果没有一个单独的模型，我找不到如何解决这个问题。有什么建议吗

---

谢谢

假设张量层1的定义如下：

layer1 = tf.nn.relu(tf.matmul(w,x)+b)

要申请退学，你只需这样做

dropout_layer1 = tf.nn.dropout(layer1, keep_prob)

您的

keep_prob

是在某个地方定义的，我通常用标志来控制它，但您可以在程序内部使用普通声明。然后您可以使用

dropout\u layer1

作为法线张量。这里有一个关于使用它的简单示例：

import tensorflow as tf
import numpy as np
tf.reset_default_graph()

keep_prob = 0.5

a = tf.get_variable('a', initializer=np.random.normal())
b = tf.get_variable('b', initializer=np.random.normal())

x=[0.,1.,2.,3.,4.,5.,6.,7.,8.,9.]
y=list(map(lambda i: i+np.random.normal(0, 0.1), x))
f=tf.multiply(x,a)+b
f_dropout = tf.nn.dropout(f,keep_prob)

loss = tf.reduce_sum(tf.pow(f_dropout-y, 2))
train = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

sess = tf.Session() #
init = tf.global_variables_initializer()
sess.run(init)

for i in range(1000):
    _, l, slope, intercept = sess.run([train, loss, a, b])
    print(list(map(lambda i: i*slope+intercept, x)))
    print('a: %.2f' %slope)
    print('b: %.2f' %intercept)

---

从回归的角度来看，这是一个糟糕的例子，但它展示了如何对辍学者进行编程，并且很容易推断辍学者的行为。我希望你会喜欢：）

我的问题过时了，我把它弄得太复杂了

---

调用sess.run（）时，仍然可以通过feed_dict将值提供给占位符，即使有一个直接提供培训示例的输入队列。

谢谢，但这已经很清楚了，尽管我的问题中没有明确说明。不过，我刚刚解决了这个问题，并没有我想象的那么复杂：在使用输入队列时，仍然可以向占位符（在本例中为keep_prob）提供值。很高兴您解决了这个问题。我仍然修改了我的答案。过来看！我希望你会喜欢它！