想象一下，您有一个关于回归问题的深层神经网络来预测一个人的体重。您的神经网络如下所示：
Dense(112, activation='relu')
Dense(512, activation='relu)
Dropout(0.5)
Dense(1, activation='relu')
现在在训练期间，假设50％的节点对应于大约30到100的输出，具体取决于输入。现在，在测试期间，当不发生丢失时，大约30到100的输出将不会翻倍，因为以前，当只有50％的节点处于活动状态时，这50％的节点正在将一些值传递给输出节点，因此获得大约30到100的输出，现在在测试期间，当所有节点都处于活动状态时，所有节点都将一些值传递给输出节点。因此，如果100％的节点处于活动状态，那么如果50％的节点的输出约为30到100，那么在测试过程中该值是否不会加倍？
答案 0 :(得分：0)
正如史努比博士所说，在评论中，该辍学具有一项功能（乘以p），可以防止出现我要问的问题。
如果一个单位以p的概率保留，那么在测试时，该单位的所有正在进行的权重将首先乘以p。
因此，在预测我在问题中提到的权重的情况下，辍学层之后所有正在进行的权重将首先乘以p（在这种情况下为0.5），从而使测试输出与训练输出相同，大约为30到100，并解决问题！