在 Keras 的卷积层上使用 Dropout答案

【问题标题】：Using Dropout on Convolutional Layers in Keras在 Keras 的卷积层上使用 Dropout
【发布时间】：2019-08-09 09:51:18
【问题描述】：

我已经实现了一个对一维输入信号进行批量归一化的卷积神经网络。我的模型的准确率非常好，约为 80%。这是我层的顺序：（Conv1D、Batch、ReLU、MaxPooling）重复6次，Conv1D、Batch、ReLU、Dense、Softmax。

我看过几篇文章说我不应该在卷积层上使用 dropout，而是应该使用批量归一化，所以我想通过用 dropout 层替换所有批量归一化层来试验我的模型，看看 dropout 是否真的会让我的表现更糟。

我的新模型结构如下：(Conv1D, Dropout, ReLU, MaxPooling) repeat 6 times, Conv1D, Dropout, ReLU, Dense, Softmax。我尝试了 0.1、0.2、0.3、0.4、0.5 的辍学率。我的新模型的性能只有 ~25%，比我原来的模型差很多，甚至比预测主导类 (~40%) 还要差。

我想知道性能上的巨大差异是否实际上是用 dropout 代替批量标准化的结果。还是我对如何使用 dropout 的误解。

【问题讨论】：

标签： keras conv-neural-network dropout

【解决方案1】：

要直观了解如何使用批处理规范和 dropout，您应该首先了解这些层的作用：

批量归一化使用在批次上计算的均值和方差来缩放和移动层输出，以便下一层的输入对内部协变量偏移更加稳健
Dropout 随机丢弃其输入的元素，教导后续层不要依赖特定的特征或元素，而是使用所有可用信息。这可以强制网络更好地泛化，并且是减少过度拟合的一种手段

您所做的是将标准化层替换为向信息流添加额外噪声的层，这当然会导致准确性急剧下降。

我对您的建议是像在您的第一个设置中一样使用批量规范，如果您想试验 dropout，请在将激活函数应用于前一层之后添加它。通常，dropout 用于规范非常容易过拟合的密集层。试试这个：

6 x（Conv1D、Batch、ReLU、MaxPooling）
1 x（Conv1D、Batch、ReLU）
Dropout、Dense、Softmax

【讨论】：