模型中的dropout和data.split

Question

众所周知，辍学是一种帮助控制过度拟合的机制。在Keras的培训过程中，我们可以通过监控验证损失进行在线交叉验证，并在model.fit中设置数据分割。

一般来说，我是否需要同时使用这两种机制？或者如果我在model.fit中设置数据分割，那么我不需要使用dropout。

Answer 1

Dropout是一种正规化技术，即它可以防止网络快速过度拟合数据。验证丢失只是告诉您网络何时过度拟合。这是两个完全不同的东西，当你的模型过度拟合时，验证损失对你没有帮助，只是告诉你它是。

我想说，在验证过程中有一个验证损失是有价值的信息，你永远不应该没有它。是否需要正则化技术（如噪声，丢失或批量标准化）取决于网络的学习方式。如果您发现它过度，那么您应该尝试使用正则化技术。