我目前正在构建用于原始信号分类的CLDNN（卷积，LSTM，深度神经网络）模型。
由于可训练参数的数量很容易超过数百万，我认为辍学有助于防止过度拟合。
我的问题也适用于堆叠多个模型的其他网络。
如果我的网络结构为
输入 - ＆gt;卷积 - ＆gt; LSTM - ＆gt; DNN - ＆gt;输出
我是否必须在每一层之后或仅在输出之前放置一个辍学？
或
到目前为止，我只看到赎回应用于convNets，但我不明白为什么它应该只限于convNets。 其他网络（如LSTM和DNN）是否也使用压差来防止过度拟合？
答案 0 :(得分：2)
是的，您可以在每个图层后使用Dropout。
将dropout应用于最后一层（在类上产生概率分布的层）是没有意义的。
不要忘记LSTM是一个周期性模型，因此您必须使用DropoutWrapper类在每个时间步应用dropout。