tf.keras.layers.Dropout

Применяет Dropout к входным данным.

Наследуется от: Layer, Module

tf.keras.layers.Dropout(
    rate, noise_shape=None, seed=None, **kwargs
)

Слой Dropout случайным образом устанавливает входные единицы в 0 с частотой rate на каждом шаге во время обучения, что помогает предотвратить переобучение. Входные данные, не установленные в 0, масштабируются на 1/(1 - rate) таким образом, что сумма по всем входным данным остается неизменной.

Обратите внимание, что слой Dropout применяется только тогда, когда training установлено в True, так что во время вывода значения не отбрасываются. При использовании model.fit, training будет автоматически установлено в True, а в других контекстах вы можете явно установить значение аргумента в True при вызове слоя.

(Это в отличие от установки trainable=False для слоя Dropout. trainable не влияет на поведение слоя, так как у Dropout нет переменных/весов, которые можно заморозить во время обучения.)

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)

Аргументы вызова:

• inputs: Входной тензор (любой размерности).
• training: Логическое значение Python, указывающее, должен ли слой работать в режиме обучения (добавление Dropout) или в режиме вывода (без действий).