我希望重现一个递归神经网络，其中每个时间层后面都有一个丢失层，这些丢失层共享它们的掩码。此结构在A Theoretically Grounded Application of Dropout in Recurrent Neural Networks中有所描述。
据我所知，在MXNet中实现的循环网络模型在时间层之间没有应用任何丢失层; dropout（R API，Python API等函数的lstm参数实际上定义了输入的丢失。因此，我需要从头开始重新实现这些功能。
但是，Dropout图层似乎没有采用将mask定义为参数的变量。
是否可以在计算图的不同位置制作多个丢失图层，然后共享其掩码？