使用保持概率1训练神经网络是否等同于不使用dropout进行训练?

这个问题似乎更具理论性,我希望有人知道答案。我正在使用TensorFlow训练一个全连接的深层神经网络,我对隐藏层应用了dropout,并且在某些情况下我正在研究dropout的效果。

我知道dropout只应用于输入层和隐藏层,在评估网络时,保持概率应该为1.0。如果我想在没有dropout的情况下训练我的网络……我可以只将隐藏层的保持概率设置为1进行训练,还是必须从源代码中完全删除dropout?

问候


回答:

你可以保持你的代码不变,保持概率为1.0确实相当于没有dropout,因为所有激活都被保留了。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注