Question

请考虑进行迁移学习，以便在keras / tensorflow中使用预训练的模型。对于每个旧层，将trained参数设置为false，以便在训练期间不会更新其权重，而最后一层已被新层替换，因此必须对其进行训练。特别是添加了两个完全连接的具有512和1024神经元以及relu激活功能的隐藏层。在这些层之后，Dropout层与rate 0.2一起使用。这意味着在训练的每个时期，20%个神经元都会被随机丢弃。

此辍学层影响哪些层？它会影响包括已设置layer.trainable=false的预训练层在内的所有网络，还是仅影响新添加的层？还是只影响前一层（即具有1024个神经元的那一层）？

换句话说，在每个时期，由于辍学而关闭的神经元属于哪一层？

import os

from tensorflow.keras import layers
from tensorflow.keras import Model
  
from tensorflow.keras.applications.inception_v3 import InceptionV3

local_weights_file = 'weights.h5'

pre_trained_model = InceptionV3(input_shape = (150, 150, 3), 
                                include_top = False, 
                                weights = None)

pre_trained_model.load_weights(local_weights_file)

for layer in pre_trained_model.layers:
  layer.trainable = False
  
# pre_trained_model.summary()

last_layer = pre_trained_model.get_layer('mixed7')
last_output = last_layer.output

# Flatten the output layer to 1 dimension
x = layers.Flatten()(last_output)
# Add two fully connected layers with 512 and 1,024 hidden units and ReLU activation
x = layers.Dense(512, activation='relu')(x)
x = layers.Dense(1024, activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)                  
# Add a final sigmoid layer for classification
x = layers.Dense  (1, activation='sigmoid')(x)           

model = Model( pre_trained_model.input, x) 

model.compile(optimizer = RMSprop(lr=0.0001), 
              loss = 'binary_crossentropy', 
              metrics = ['accuracy'])

Answer 1

辍学层将影响上一层的输出。

如果我们查看您代码的特定部分：

x = layers.Dense(1024, activation='relu')(x)
# Add a dropout rate of 0.2
x = layers.Dropout(0.2)(x)                  
# Add a final sigmoid layer for classification
x = layers.Dense  (1, activation='sigmoid')(x)

在您的情况下，x = layers.Dense(1024, activation='relu')(x)定义的层的输出的20％将被随机丢弃，然后传递到最后的Dense层。

Answer 2

仅上一个层的神经元被“关闭”，但所有层在反向传播方面均“受影响”。

较新的图层：Dropout的输出被输入到下一层，因此下一图层的输出将发生变化，next-next的输出也会发生变化，等等。
先前的图层：随着pre-Dropout图层的“有效输出”发生变化，渐变也会随之变化，因此也会出现任何后续渐变。在Dropout(rate=1)的极端情况下，零梯度会流动。

此外，请注意，仅当输入到Dense为2D (batch_size, features)时，才会丢弃整个神经元； Dropout对所有维度应用随机的统一蒙版（相当于在2D情况下丢弃整个神经元）。要丢弃整个神经元，请设置Dropout(.2, noise_shape=(batch_size, 1, features))（3D情况）。要在所有样本中放置相同个神经元，请使用noise_shape=(1, 1, features)（或将(1, features)用于2D）。

Answer 3

Dropout技术并不是在神经网络的每个层上实现的；通常会在网络中最后几层的神经元内发挥作用。

该技术通过随机减少神经网络中相互连接的神经元的数量而起作用。在每个训练步骤中，每个神经元都有被遗弃的机会，或者说可能会从连接的神经元的归纳贡献中消失

关于是否应该在激活功能之前或之后放置辍学有一些争论。根据经验，对于除relu以外的所有激活功能，都将其放置在激活功能之后。

您可以在每个隐藏层之后添加dropout，通常它只影响上一层（您的情况将影响(x = layers.Dense(1024, activation='relu')(x) )）。在最初的提出丢包层的论文中，通过Hinton (2012)，在输出之前，在每个完全连接的（密集）层上都使用了丢包（p = 0.5）。卷积层上没有使用它。这成为最常用的配置。

我正在添加可能对您有帮助的资源链接：

https://towardsdatascience.com/understanding-and-implementing-dropout-in-tensorflow-and-keras-a8a3a02c1bfa

https://towardsdatascience.com/dropout-on-convolutional-layers-is-weird-5c6ab14f19b2

https://towardsdatascience.com/machine-learning-part-20-dropout-keras-layers-explained-8c9f6dc4c9ab

Tensorflow中的辍学层会影响哪些层？

3 个答案: