我读到了 Keras 的 dropout 实现，它似乎使用了它的反向 dropout 版本，即使它说的是 dropout。
以下是我阅读 Keras 和 Tensorflow 文档时的理解：
当我指定Dropout(0.4)0.4 意味着该层中的每个节点都有 40% 的机会被丢弃，这意味着 0.4 是丢弃概率。因此，通过反向 dropout 的概念，剩余神经元的输出被缩放 1/0.6 倍，因为保持概率为 0.6。
（请指出我的解释是否不正确。我的全部疑问都是基于这种解释。）
另一方面，在 TensorFlow 中，它只是直接询问保持概率，这意味着如果我将值指定为 0.4，则每个节点都有 60% 的机会被丢弃。
那么当我在 Keras 的后端使用 TensorFlow 时会发生什么？保持或丢弃概率需要 0.4 吗？
（使用 Python 3.6 和所有必需库的最新版本）
Dropout(0.4)在 Keras 层中意味着 40% 的神经元被丢弃（不保留）。
来自Keras 文档：
Dropout 包括在训练期间的每次更新时将输入单元的分数率随机设置为 0，这有助于防止过度拟合。
查看层的源代码（第 72 行）Dropout也可以帮助确定答案。
Dropout 包括在训练期间的每次更新时将输入单元的分数“率”随机设置为 0，这有助于防止过度拟合。
消息来源还注意到由 Nitish Srivastava等人在此处找到的参考论文（我假设它准确地概述了如何keras实现 dropout） 。人_
尽管阅读了更多源代码，但它看起来像是在第 107 行调用了 droput 的后端实现
return K.dropout(inputs, self.rate, noise_shape, seed=self.seed)
K后端在哪里。K.dropout如果您仍然好奇，可能值得研究一下您选择的后端是如何实现的。