1

我已经在 Keras 中为一些时间序列训练了以下模型：

    input_layer = Input(batch_shape=(56, 3864))
    first_layer = Dense(24, input_dim=28, activation='relu',
                        activity_regularizer=None,
                        kernel_regularizer=None)(input_layer)
    first_layer = Dropout(0.3)(first_layer)
    second_layer = Dense(12, activation='relu')(first_layer)
    second_layer = Dropout(0.3)(second_layer)
    out = Dense(56)(second_layer)
    model_1 = Model(input_layer, out)

然后我定义了一个新模型，其中包含经过训练的层，model_1并添加了具有不同速率的 dropout 层drp：

    input_2 = Input(batch_shape=(56, 3864))
    first_dense_layer = model_1.layers[1](input_2)
    first_dropout_layer = model_1.layers[2](first_dense_layer)
    new_dropout = Dropout(drp)(first_dropout_layer)
    snd_dense_layer = model_1.layers[3](new_dropout)
    snd_dropout_layer = model_1.layers[4](snd_dense_layer)
    new_dropout_2 = Dropout(drp)(snd_dropout_layer)
    output = model_1.layers[5](new_dropout_2)
    model_2 = Model(input_2, output)

然后我得到这两个模型的预测结果如下：

result_1 = model_1.predict(test_data, batch_size=56)
result_2 = model_2.predict(test_data, batch_size=56)

我期望得到完全不同的结果，因为第二个模型具有新的 dropout 层，并且这两个模型不同（IMO），但事实并非如此。两者都产生相同的结果。为什么会这样？

4

1 回答 1

7

正如我在评论中提到的，该Dropout层在推理阶段（即测试模式）是关闭的，因此当您使用model.predict()这些Dropout层时，它们是不活动的。但是，如果您想拥有一个Dropout在训练和推理阶段都使用的模型，您可以training在调用它时传递参数，正如 François Chollet 所建议的那样：

# ...
new_dropout = Dropout(drp)(first_dropout_layer, training=True)
# ...

或者，如果您已经训练了模型并且现在想要在推理模式下使用它并保持Dropout层（以及可能在训练/推理阶段具有不同行为的其他层，例如BatchNormalization）处于活动状态，您可以定义一个后端函数，该函数采用模型的输入以及 Keras 学习阶段：

from keras import backend as K

func = K.function(model.inputs + [K.learning_phase()], model.outputs)

# to use it pass 1 to set the learning phase to training mode
outputs = func([input_arrays] + [1.])
于 2018-10-11T12:29:13.033 回答