改变learning_phase时，Keras的辍学并没有任何影响

Question

inp = Input([10], name='Input')
X = Dense(10, activation='relu', kernel_initializer='glorot_uniform')(inp)
X = Dropout(0.5, seed=0)(X)
X = Dense(1, activation='relu', kernel_initializer='glorot_uniform')(X)
X = Dropout(0.5, seed=0)(X)
m = Model(inputs=inp, outputs=X)
u = np.random.rand(1,10)

sess.run(tf.global_variables_initializer())
K.set_learning_phase(0)
print(sess.run(X, {inp: u}))
print(sess.run(X, {inp: u}))
K.set_learning_phase(1)
print(sess.run(X, {inp: u}))
print(sess.run(X, {inp: u}))
print(m.predict(u))

这是我的代码。 当我运行模型时，每次运行都得到相同的结果。但是，由于辍学层，运行模型时结果是否会略有变化？

Answer 1

所有的丢失层都是seeded，这将使模型始终丢弃相同的神经元。现在，您有一个固定的输入，每层的固定权重（不优化模型），总是相同的丢失，您将始终获得相同的输出。