Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

tf.keras.layers.Dropout

TensorFlow 1 wersja Zobacz źródło na GitHub

Dotyczy przerywania do wejścia.

Dziedziczy z: Layer

Stosowany w notebookach

Używany w przewodniku Używany w samouczków

Warstwę Zaniki losowo wyznacza urządzeń wejściowych 0 o częstotliwości rate w każdym okresie czasu etapie szkolenia, co pozwala uniknąć nadmiernego dopasowania. Wejścia nie jest ustawiony na 0 są skalowane przez 1 / (1 - stopy), takie że suma na wszystkich wejściach jest zmieniana.

Należy pamiętać, że warstwa Dropout zastosowanie tylko wtedy, gdy training jest ustawiona na True, że żadne takie wartości są odrzucane podczas wnioskowania. Podczas korzystania model.fit , training zostaną odpowiednio automatycznie ustawiona na True, a także w innych kontekstach, można ustawić kwarg wyraźnie True przy wywołaniu warstwę.

(Jest to w przeciwieństwie do ustawiania trainable=False dla warstwy opadanie. trainable nie wpływa na zachowania warstwy, tak jak Dropout nie ma żadnych zmiennych / wag, które mogą być zamrożone w czasie treningu).

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)

rate Unosić się między 0 i 1. część jednostek wejściowych spadać.
noise_shape 1D całkowitą napinacz reprezentujące kształt binarnego przerywania maskę, która jest mnożona z wejściem. Na przykład, jeśli wejścia mają kształt (batch_size, timesteps, features) i chcesz maska przerywania być taka sama dla wszystkich timesteps, można użyć noise_shape=(batch_size, 1, features) .
seed Pythona całkowitą użyć jako losowej nasion.

Połączeń argumenty:

  • inputs : tensor wejściowa (jakiegokolwiek stopnia).
  • training : Python logiczną wskazującą, czy warstwa powinna zachowywać się w trybie treningu (dodając widełek) lub w trybie wnioskowania (nic nie robi).