将 Dropout 添加到测试/推理阶段

我在 Keras 中针对一些时间序列训练了以下模型：

    input_layer = Input(batch_shape=(56, 3864))
    first_layer = Dense(24, input_dim=28, activation='relu',
                        activity_regularizer=None,
                        kernel_regularizer=None)(input_layer)
    first_layer = Dropout(0.3)(first_layer)
    second_layer = Dense(12, activation='relu')(first_layer)
    second_layer = Dropout(0.3)(second_layer)
    out = Dense(56)(second_layer)
    model_1 = Model(input_layer, out)

然后我用经过训练的层定义了一个新模型model_1并以不同的速率添加了 dropout 层，drp, to it:

    input_2 = Input(batch_shape=(56, 3864))
    first_dense_layer = model_1.layers[1](input_2)
    first_dropout_layer = model_1.layers[2](first_dense_layer)
    new_dropout = Dropout(drp)(first_dropout_layer)
    snd_dense_layer = model_1.layers[3](new_dropout)
    snd_dropout_layer = model_1.layers[4](snd_dense_layer)
    new_dropout_2 = Dropout(drp)(snd_dropout_layer)
    output = model_1.layers[5](new_dropout_2)
    model_2 = Model(input_2, output)

然后我得到这两个模型的预测结果如下：

result_1 = model_1.predict(test_data, batch_size=56)
result_2 = model_2.predict(test_data, batch_size=56)

我期望得到完全不同的结果，因为第二个模型有新的 dropout 层，并且这两个模型是不同的（IMO），但事实并非如此。两者都产生相同的结果。为什么会发生这种情况？

正如我在评论中提到的，Dropout层在推理阶段（即测试模式）关闭，所以当您使用model.predict() the Dropout图层未激活。但是，如果您想要一个使用的模型Dropout无论是在训练阶段还是推理阶段，你都可以通过training调用时的参数，正如弗朗索瓦·乔莱所建议的:

# ...
new_dropout = Dropout(drp)(first_dropout_layer, training=True)
# ...

或者，如果您已经训练了模型，现在想要在推理模式下使用它并保留Dropout层（以及可能在训练/推理阶段具有不同行为的其他层，例如BatchNormalization) 激活后，您可以定义一个后端函数，该函数接受模型的输入以及 Keras 学习阶段：

from keras import backend as K

func = K.function(model.inputs + [K.learning_phase()], model.outputs)

# to use it pass 1 to set the learning phase to training mode
outputs = func([input_arrays] + [1.])