Dropout 层
Dropout 类
tf_keras.layers.Dropout(rate, noise_shape=None, seed=None, **kwargs)
将 Dropout 应用于输入。
在训练期间，Dropout 层以 `rate` 的频率随机将输入单元设置为 0，这有助于防止过拟合。未设置为 0 的输入将按 1/(1 - rate) 的比例放大，以使所有输入的总和保持不变。
请注意，仅当 `training` 设置为 True 时，Dropout 层才会应用，这样在推理时就不会丢弃任何值。当使用 `model.fit` 时，`training` 将自动适当地设置为 True，在其他情况下，您可以在调用层时显式地将 kwarg 设置为 True。
（这与为 Dropout 层设置 `trainable=False` 形成对比。`trainable` 不会影响层的行为，因为 Dropout 没有任何可以在训练期间冻结的变量/权重。）
>>> tf.random.set_seed(0)
>>> layer = tf.keras.layers.Dropout(.2, input_shape=(2,))
>>> data = np.arange(10).reshape(5, 2).astype(np.float32)
>>> print(data)
[[0. 1.]
[2. 3.]
[4. 5.]
[6. 7.]
[8. 9.]]
>>> outputs = layer(data, training=True)
>>> print(outputs)
tf.Tensor(
[[ 0. 1.25]
[ 2.5 3.75]
[ 5. 6.25]
[ 7.5 8.75]
[10. 0. ]], shape=(5, 2), dtype=float32)
参数
- rate：0 到 1 之间的浮点数。要丢弃的输入单元的分数。
- noise_shape：表示将与输入相乘的二元 Dropout 掩码形状的一维整数张量。例如，如果您的输入形状为 `(batch_size, timesteps, features)`，并且希望 Dropout 掩码对所有时间步长都相同，则可以使用 `noise_shape=(batch_size, 1, features)`。
- seed：用作随机种子的 Python 整数。
调用参数
- inputs：输入张量（任意秩）。
- training：Python 布尔值，指示层应该以训练模式（添加 Dropout）还是推理模式（不执行任何操作）运行。