3

我有两个训练有素的模型 (model_A和model_B)，它们都有 dropout 层。我已经冻结model_A并将model_B它们与一个新的密集层合并以获得model_AB（但我没有删除model_A's和model_B's dropout层）。model_AB的权重将是不可训练的，除了添加的密集层。

现在我的问题是：当我训练时，辍学层是否处于活动状态（即丢弃神经元model_A）？model_Bmodel_AB

4

1 回答 1

11

简短回答：即使您将它们的属性设置为，dropout 层也会在训练期间继续丢弃神经元。trainableFalse

长答案： Keras 中有两个不同的概念：

  • 更新层的权重和状态：这是使用trainable该层的属性控制的，即如果您设置，layer.trainable = False则不会更新层的权重和内部状态。

  • 层在训练和测试阶段的行为：如您所知，层，如 dropout，在训练和测试阶段可能具有不同的行为。Keras 中的学习阶段使用keras.backend.set_learning_phase(). 例如，当你调用model.fit(...)学习阶段时自动设置为1（即训练），而当你使用时model.predict(...)它会自动设置为0（即测试）。此外，请注意，学习阶段 1（即训练）并不一定意味着更新层的权重/状态。您可以在学习阶段 1（即训练阶段）运行您的模型，但不会更新权重；只是层将切换到它们的训练行为（有关更多信息，请参阅此答案）。此外，还有另一种方法可以通过传递为每个单独的层设置学习阶段training=True在张量上调用层时的参数（有关更多信息，请参见此答案）。

因此，根据以上几点，当您设置trainable=False一个 dropout 层并在训练模式下使用它（例如，通过调用model.fit(...)或手动将学习阶段设置为像下面的示例那样进行训练），神经元仍然会被 dropout 层丢弃。

这是一个可重现的示例，说明了这一点： 

from keras import layers
from keras import models
from keras import backend as K
import numpy as np

inp = layers.Input(shape=(10,))
out = layers.Dropout(0.5)(inp)

model = models.Model(inp, out)
model.layers[-1].trainable = False  # set dropout layer as non-trainable
model.compile(optimizer='adam', loss='mse') # IMPORTANT: we must always compile model after changing `trainable` attribute

# create a custom backend function so that we can control the learning phase
func = K.function(model.inputs + [K.learning_phase()], model.outputs)

x = np.ones((1,10))
# learning phase = 1, i.e. training mode
print(func([x, 1]))
# the output will be:
[array([[2., 2., 2., 0., 0., 2., 2., 2., 0., 0.]], dtype=float32)]
# as you can see some of the neurons have been dropped

# now set learning phase = 0, i.e test mode
print(func([x, 0]))
# the output will be:
[array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]], dtype=float32)]
# unsurprisingly, no neurons have been dropped in test phase
于 2019-08-15T11:42:14.730 回答