Tensorflow 中的 dropout 层会影响哪些层？

Question

考虑迁移学习以便在 keras/tensorflow 中使用预训练模型。 对于每个旧层， trained参数设置为false以便在训练期间不更新其权重，而最后一层已被新层替换，并且必须进行训练。 特别是增加了两个全连接隐藏层，分别有512和1024神经元和 relu 激活函数。 在这些层之后，使用rate 0.2的 Dropout 层。 这意味着在每个训练时期， 20%的神经元被随机丢弃。

这个 dropout 层会影响哪些层？ 它是否会影响所有网络，包括设置了layer.trainable=false的预训练层，还是只影响新添加的层？ 还是只影响前一层（即具有1024神经元的层）？

换句话说，在每个时期被 dropout 关闭的神经元属于哪一层？

import os

from tensorflow.keras import layers
from tensorflow.keras import Model
  
from tensorflow.keras.applications.inception_v3 import InceptionV3

local_weights_file = 'weights.h5'

pre_trained_model = InceptionV3(input_shape = (150, 150, 3), 
                                include_top = False, 
                                weights = None)

pre_trained_model.load_weights(local_weights_file)

for layer in pre_trained_model.layers:
  layer.trainable = False
  
# pre_trained_model.summary()

last_layer = pre_trained_model.get_layer('mixed7')
last_output = last_layer.output

# Flatten the output layer to 1 dimension
x = layers.Flatten()(last_output)
# Add two fully connected layers with 512 and 1,024 hidden units and ReLU activation
x = layers.Dense(512, activation='relu')(x)
x = layers.Dense(1024, activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)                  
# Add a final sigmoid layer for classification
x = layers.Dense  (1, activation='sigmoid')(x)           

model = Model( pre_trained_model.input, x) 

model.compile(optimizer = RMSprop(lr=0.0001), 
              loss = 'binary_crossentropy', 
              metrics = ['accuracy'])

Answer 1

dropout层会影响上一层的输出。

如果我们查看代码的特定部分：

x = layers.Dense(1024, activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)                  
# Add a final sigmoid layer for classification
x = layers.Dense  (1, activation='sigmoid')(x)  

在您的情况下，由x = layers.Dense(1024, activation='relu')(x)定义的层的 20% 输出将被随机丢弃，然后再传递到最终的Dense层。

Answer 2

只有前一层的神经元被“关闭”，但所有层在反向传播方面都“受到影响”。

• 后层：Dropout的输出是下一层的输入，所以下一层的输出会改变，next-next的输出也会改变，等等。
• 之前的层：随着预 Dropout 层的“有效输出”发生变化，它的梯度也会发生变化，因此任何后续的梯度也会发生变化。 在Dropout(rate=1)的极端情况下，零梯度将流动。

另外，请注意，只有在 Dense 的输入是 2D (batch_size, features) ，才会删除整个神经元； Dropout 对所有维度应用随机统一掩码（相当于在 2D 情况下删除整个神经元）。 要删除整个神经元，请设置Dropout(.2, noise_shape=(batch_size, 1, features)) （3D 情况）。 要在所有样本中删除相同的神经元，请使用noise_shape=(1, 1, features) （或(1, features)用于 2D）。

Answer 3

Dropout 技术不是在神经网络中的每一层都实现； 它通常在网络最后几层的神经元中使用。

该技术的工作原理是随机减少神经网络中互连神经元的数量。 在每一个训练步骤中，每个神经元都有可能被排除在外，或者更确切地说，从连接的神经元的整理贡献中被剔除

关于 dropout 应该放在激活函数之前还是之后存在一些争论。 根据经验，对于除relu之外的所有激活函数，将relu activate 函数之后。

您可以添加dropout每隐藏层后，一般就只影响在先前层（你的情况下，它会影响(x = layers.Dense(1024, activation='relu')(x) ) 在Hinton (2012)提出的 dropout 层的原始论文中，在输出之前的每个全连接（密集）层上都使用了 dropout（p=0.5）； 它没有用于卷积层。 这成为最常用的配置。

我正在添加可能对您有帮助的资源链接：

https://towardsdatascience.com/understanding-and-implementing-dropout-in-tensorflow-and-keras-a8a3a02c1bfa

https://towardsdatascience.com/dropout-on-convolutional-layers-is-weird-5c6ab14f19b2

https://towardsdatascience.com/machine-learning-part-20-dropout-keras-layers-explained-8c9f6dc4c9ab