input0 = keras.layers.Input((32, 32, 3), name='Input0')
flatten = keras.layers.Flatten(name='Flatten')(input0)
relu1 = keras.layers.Dense(256, activation='relu', name='ReLU1')(flatten)
dropout = keras.layers.Dropout(1., name='Dropout')(relu1)
softmax2 = keras.layers.Dense(10, activation='softmax', name='Softmax2')(dropout)
model = keras.models.Model(inputs=input0, outputs=softmax2, name='cifar')
只是为了测试 dropout 是否有效..
我将辍学率设置为1.0
每个时期的状态应该被冻结，而不需要对参数进行任何调整
however the accuracy keep growing although i drop all the hidden nodes
怎么了？
不错的收获！
丹尼斯·索默斯（Dennis Soemers）上述评论中提到的问题似乎是这样的，Keras Dropout 层更改 dropout=0.0 的结果 https://github.com/tensorflow/tensorflow/issues/10845，尚未完全解决，并且当面临 1.0 的辍学率时，它会以某种方式出错[请参阅帖子末尾的更新]；修改显示的模型Keras MNIST MLP https://github.com/keras-team/keras/blob/master/examples/mnist_mlp.py例子：
model = Sequential()
model.add(Dense(512, activation='relu', use_bias=False, input_shape=(784,)))
model.add(Dropout(1.0))
model.add(Dense(512, activation='relu'))
model.add(Dropout(1.0))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
model.fit(x_train, y_train,
batch_size=128,
epochs=3,
verbose=1,
validation_data=(x_test, y_test))
尽管所有神经元都被丢弃，但确实给出了一个正在训练的模型，正如您所报告的：
Train on 60000 samples, validate on 10000 samples
Epoch 1/3
60000/60000 [==============================] - 15s 251us/step - loss: 0.2180 - acc: 0.9324 - val_loss: 0.1072 - val_acc: 0.9654
Epoch 2/3
60000/60000 [==============================] - 15s 246us/step - loss: 0.0831 - acc: 0.9743 - val_loss: 0.0719 - val_acc: 0.9788
Epoch 3/3
60000/60000 [==============================] - 15s 245us/step - loss: 0.0526 - acc: 0.9837 - val_loss: 0.0997 - val_acc: 0.9723
尽管如此，如果您尝试使用 0.99 的 dropout 率，即将上述模型中的两个 dropout 层替换为
model.add(Dropout(0.99))
那么实际上您实际上没有进行任何培训，情况应该如此：
Train on 60000 samples, validate on 10000 samples
Epoch 1/3
60000/60000 [==============================] - 16s 265us/step - loss: 3.4344 - acc: 0.1064 - val_loss: 2.3008 - val_acc: 0.1136
Epoch 2/3
60000/60000 [==============================] - 16s 261us/step - loss: 2.3342 - acc: 0.1112 - val_loss: 2.3010 - val_acc: 0.1135
Epoch 3/3
60000/60000 [==============================] - 16s 266us/step - loss: 2.3167 - acc: 0.1122 - val_loss: 2.3010 - val_acc: 0.1135
UPDATE（在OP中Yu-Yang评论之后）：这似乎是设计选择 https://github.com/keras-team/keras/blob/master/keras/layers/core.py#L120（立即处理链接，请参阅下面的更新）当退出率等于 0 或 1 时不执行任何操作；这Dropout类仅生效
if 0. < self.rate < 1.
然而，正如已经评论的那样，在这种情况下发出警告消息（以及文档中的相关注释）可以说是一个好主意。
UPDATE（2021 年 7 月）：
自 2018 年 1 月撰写答案以来发生了一些变化；现在，在引擎盖下，Keras 调用tf.nn.dropout https://github.com/keras-team/keras/blob/master/keras/layers/core/dropout.py#L116，这似乎不允许dropout=1 (source https://github.com/tensorflow/tensorflow/blob/v2.5.0/tensorflow/python/ops/nn_ops.py#L5185).