python - 将 Dropout 添加到测试/推理阶段

Question

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，我使用 model_1 的训练层定义了一个新模型，并向其添加了具有不同速率 drp 的丢弃层:

    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)

我原以为会得到完全不同的结果，因为第二个模型有新的 dropout 层，而且这两个模型是不同的 (IMO)，但事实并非如此。两者都产生相同的结果。为什么会这样？

Answer 1

正如我在评论中提到的，Dropout 层在推理阶段(即测试模式)处于关闭状态，因此当您使用 model.predict() 时 Dropout 层未激活。然而，如果你想要一个在训练和推理阶段都使用 Dropout 的模型，你可以在调用它时传递 training 参数，as suggested by François Chollet :

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

或者，如果您已经训练了您的模型，现在想在推理模式下使用它并保留 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) 处于事件状态，您可以定义一个后端函数来获取模型的输入以及 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.])