根据Keras文档，辍学图层显示了培训和测试阶段的不同行为：
请注意，如果您的模型在培训中有不同的行为， 测试阶段（例如，如果它使用Dropout，BatchNormalization等），你 需要将学习阶段标志传递给您的函数：
不幸的是，没有人谈论实际的差异。为什么辍学在测试阶段表现不同？我希望该层将一定数量的神经元设置为0.为什么这种行为取决于训练/测试阶段？
答案 0 :(得分：6)
在训练阶段使用辍学来减少过度拟合的可能性。如你所述，这个层会停用某些神经元。该模型将对其他节点的权重更加不敏感。基本上对于辍学层，训练的模型将是许多稀疏模型的平均值。查看更详细的说明here
但是，在应用训练模型时，您希望使用模型的全部功能。您希望使用训练（平均）网络中的所有神经元来获得最高精度。