dropout层不会破坏网络吗？
Wouldn't dropout layer ruin the network?
假设您有一个关于回归问题的深度神经网络来预测一个人的体重。您的神经网络如下所示：
Dense(112, activation='relu')
Dense(512, activation='relu)
Dropout(0.5)
Dense(1, activation='relu')
现在在训练期间，假设 50% 的节点对应于大约 30 到 100 的输出，具体取决于输入。现在在测试期间，当没有发生 dropout 时，大约 30 到 100 的输出不会翻倍，因为以前，当只有 50% 的节点处于活动状态时，这 50% 的节点正在将一些值传递给输出节点，因此我们得到大约 30 到 100 的输出，现在在测试期间，当所有节点都处于活动状态时，所有节点都将一些值传递给输出节点。因此，如果 50% 的节点得到大约 30 到 100 的输出，当 100% 的节点处于活动状态时，这个值在测试期间不会加倍吗？
正如史努比博士所说，在评论中，dropout 有一个功能（乘以 p），以防止我问的问题。
如果一个单元被保留的概率为p，那么在测试时，该单元的所有正在进行的权重将首先乘以p。
因此，在问题中提到的预测权重的情况下，dropout 层之后的所有持续权重将首先乘以 p（在本例中为 0.5），使测试输出与训练输出相同，大约 30 到 100，并解决问题！[=10=]
假设您有一个关于回归问题的深度神经网络来预测一个人的体重。您的神经网络如下所示：
Dense(112, activation='relu')
Dense(512, activation='relu)
Dropout(0.5)
Dense(1, activation='relu')
现在在训练期间，假设 50% 的节点对应于大约 30 到 100 的输出，具体取决于输入。现在在测试期间，当没有发生 dropout 时，大约 30 到 100 的输出不会翻倍，因为以前，当只有 50% 的节点处于活动状态时，这 50% 的节点正在将一些值传递给输出节点，因此我们得到大约 30 到 100 的输出，现在在测试期间，当所有节点都处于活动状态时，所有节点都将一些值传递给输出节点。因此，如果 50% 的节点得到大约 30 到 100 的输出，当 100% 的节点处于活动状态时，这个值在测试期间不会加倍吗？
正如史努比博士所说，在评论中，dropout 有一个功能（乘以 p），以防止我问的问题。
如果一个单元被保留的概率为p，那么在测试时，该单元的所有正在进行的权重将首先乘以p。
因此，在问题中提到的预测权重的情况下，dropout 层之后的所有持续权重将首先乘以 p（在本例中为 0.5），使测试输出与训练输出相同，大约 30 到 100，并解决问题！[=10=]