考虑迁移学习，以便在 keras/tensorflow 中使用预训练模型。对于每个旧层，trained 参数设置为 false，这样它的权重在训练期间不会更新，而最后一层已被新层替换，这些必须受过训练。特别是添加了两个具有 512 和 1024 神经元的完全连接的隐藏层以及 relu 激活函数。在这些层之后，使用 rate 0.2 的 Dropout 层。这意味着在每个训练时期 20% 的神经元被随机丢弃。

这个 dropout 层影响哪些层？它会影响所有网络，包括已设置 layer.trainable=false 的预训练层，还是只影响新添加的层？或者它只影响前一层(即具有 1024 个神经元的层)？

换句话说，在每个时期被 dropout 关闭的神经元属于哪一层？

import os

from tensorflow.keras import layers
from tensorflow.keras import Model
  
from tensorflow.keras.applications.inception_v3 import InceptionV3

local_weights_file = 'weights.h5'

pre_trained_model = InceptionV3(input_shape = (150, 150, 3), 
                                include_top = False, 
                                weights = None)

pre_trained_model.load_weights(local_weights_file)

for layer in pre_trained_model.layers:
  layer.trainable = False
  
# pre_trained_model.summary()

last_layer = pre_trained_model.get_layer('mixed7')
last_output = last_layer.output

# Flatten the output layer to 1 dimension
x = layers.Flatten()(last_output)
# Add two fully connected layers with 512 and 1,024 hidden units and ReLU activation
x = layers.Dense(512, activation='relu')(x)
x = layers.Dense(1024, activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)                  
# Add a final sigmoid layer for classification
x = layers.Dense  (1, activation='sigmoid')(x)           

model = Model( pre_trained_model.input, x) 

model.compile(optimizer = RMSprop(lr=0.0001), 
              loss = 'binary_crossentropy', 
              metrics = ['accuracy'])

最佳答案

dropout层会影响上一层的输出。

如果我们查看您代码的特定部分:

x = layers.Dense(1024, activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)                  
# Add a final sigmoid layer for classification
x = layers.Dense  (1, activation='sigmoid')(x)  

在您的情况下，x = layers.Dense(1024, activation='relu')(x) 定义的层输出的 20% 将在传递之前随机丢弃到最后的 Dense 层。

https://stackoverflow.com/questions/63738681/