Keras / Tensorflow：奇怪的辍学行为

Question

我想看看 dropout 是如何工作的，所以我进入了 layers.core 模块并将 dropout 调用从 in_train_phase 更改为 in_test_phase。

我不确定我的更改是否对奇怪的辍学行为负责，所以请多多包涵。

现在考虑到这些变化，下面的代码片段：

from keras.models import Model
from keras.layers import Dropout, Input
import numpy as np
import tensorflow as tf
from keras import initializers

x=np.ones((2,2,4))
# x[:,1,:] = 1

print(x)

from keras.layers import Dense

input = Input(name='atom_inputs', shape=(2, 4))

x1 = Dense(4, activation='linear',
           kernel_initializer=initializers.Ones(),
           bias_initializer='zeros')(input)
x1 = Dropout(0.5, noise_shape=(tf.shape(input)[0], 1, 4))(x1)


fmodel = Model(input, x1)
fmodel.compile(optimizer='sgd', loss='mse')
print(fmodel.predict(x))

将根据辍学率产生不同的预测。

例如：

Dropout(0.2)
[[[5. 5. 5. 5.]
  [5. 5. 5. 5.]]

 [[5. 0. 5. 0.]
  [5. 0. 5. 0.]]]

Dropout(0.5)
[[[0. 0. 8. 8.]
  [0. 0. 8. 8.]]

 [[8. 0. 8. 8.]
  [8. 0. 8. 8.]]]

我哪里错了？ dropout 是在密集输出层上定义的，因此它应该只影响关闭和打开的神经元，而不影响它们各自的值。 正确的？

Answer 1

发生这种情况是因为在使用Dropout时，您不仅可以打开和关闭不同的神经元，还可以缩放数据，以补偿由于部分神经元变黑而导致下一层接收到较少信号的事实。 这称为倒置辍学，您可以在此处阅读。

因此，基本上，您网络的每个输出都会按1 / (1 - p)因子重新缩放以进行补偿。 这就是您的输出不同的原因。

对于Dropout(0.2)补偿为1 / (1 - 0.2) = 1.25 ，结果为5 = 4 * 1.25 ，对于Dropout(0.5)补偿为1 / (1 - 0.5) = 2 ，结果为8 = 4 * 2 .