【发布时间】：2019-08-18 18:31:43
【问题描述】：
我正在使用 Keras 功能 API 来构建分类器，并且我在 dropout 层中使用 training 标志来在预测新实例时启用 dropout（以便获得对不确定性的估计）。为了得到预期的响应，需要多次重复这个预测，使用 keras 随机激活密集层中的链接，当然它的计算成本很高。因此，我还希望可以选择在预测阶段不使用 dropout，即使用所有网络链接。有谁知道我该怎么做？以下是我正在做的示例代码。我试图查看predict 是否有任何相关参数，但似乎没有（？）。从技术上讲，我可以在 dropout 层没有训练标志的情况下训练相同的模型，但我不想这样做（或者更好的是我想要一个更干净的解决方案，而不是拥有 2 个不同的模型）。
from sklearn.datasets import make_circles
from keras.models import Sequential
from keras.utils import to_categorical
from keras.layers import Dense
from keras.layers import Dropout
import numpy as np
import keras
# generate a 2d classification sample dataset
X, y = make_circles(n_samples=100, noise=0.1, random_state=1)
n_train = 30
trainX, testX = X[:n_train, :], X[n_train:, :]
trainy, testy = y[:n_train], y[n_train:]
trainy = to_categorical(trainy)
testy = to_categorical(testy)
inputlayer = keras.layers.Input((2,))
d = keras.layers.Dense(500, activation = 'relu')(inputlayer)
d1 = keras.layers.Dropout(rate = .3)(d,training = True)
out = keras.layers.Dense(2, activation = 'softmax')(d1)
model = keras.Model(inputs = inputlayer, outputs = out)
model.compile(loss = 'categorical_crossentropy',metrics = ['accuracy'],optimizer='adam')
model.fit(x = trainX, y = trainy, validation_data=(testX, testy),epochs=1000, verbose=1)
# another prediction on a specific sample
print(model.predict(testX[0:1,:]))
# another prediction on the same sample
print(model.predict(testX[0:1,:]))
运行上面的示例，我得到以下输出：
[[0.9230819 0.07691813]]
[[0.8222245 0.17777553]]
正如预期的那样，相同输入的不同类别概率，因为存在来自 dropout 层的链接的随机（去）激活。
关于如何使用功能 API 在预测阶段启用/禁用 dropout 有什么建议吗？
【问题讨论】：
标签： keras functional-programming dropout