我对在Tensorflow中的第二个隐藏层之前添加一个退出层感到有些困惑吗？
w_int = tf.initializers.glorot_normal()
w = tf.Variable(w_init(shape=[512, 256]))
b = tf.Variable(tf.random_normal(256))
keep_prob = tf.placeholder(tf.float32)
layer2 = tf.nn.sigmoid(tf.add(tf.matmul(x, w), b))
layer2_drop = tf.nn.dropout(layer2, keep_prob=keep_prob)
在培训期间，我可以通过：
sess.run([adam, w], feed_dict={x: train_x, y_: train_y, keep_prob: 0.5})
在测试期间，我可以将keep_prob设置为1：
sess.run(cost_drop, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})
如果您在tensorflow页面上查看tf.nn.dropout，则可以看到keep_prob已过时，我们应该使用rate参数。
因此，除了像上面那样传递keep_prob = keep_prob之外，我还需要在rate = 1 - keep_prob中传递layer2_drop吗？
如果没有，我该如何使用rate上的keep_prob而不是layer2_drop？如果使用费率，我需要分别在培训和测试中通过keep_prob吗？
警告：不赞成使用某些参数：（keep_prob）。它们将在将来的版本中删除。更新说明：请使用rate而不是keep_prob。费率应设置为rate = 1-keep_prob。
答案 0 :(得分：1)
如果您可以容忍警告消息，那么暂时使用keep_prob很好。
将来，只有rate可用，要进行更新，您应该使用建议的公式rate=1.-keep_prob。
虽然可以同时使用keep_prob和rate，但请不要使用。只需坚持使用最新属性rate。您不必同时设置它们，因为它们描述的是同一件事，并且实际上只会使用其中一个。