详解tf.nn.dropout

tf.nn.dropout

tensoflow中有两个dropout函数容易混淆
1、tf.nn.dropout 中参数 keep_prob :每一个元素被保存下的概率。
2、tf.layer.dropout 中参数 rate :每一个元素丢弃的概率。keep_prob = 1 - rate
tf.layers.drop函数定义如下：

tf.layers.dropout(inputs,rate=0.5,noise_shape=None,seed=None,training=False,name=None)

在 tf.layer.dropout 中有一个 training 参数：在training=True时，返回应用dropout后的输出；在training=False时，正常返回输出（没有dropout）。一般在training过程training=true,即启动dropout，在每次迭代都rate比例的神经元。

tf.nn.dropout是tensorflow常用的函数，它的作用是为了减轻过拟合带来的问题而使用的函数，它一般用在每个连接层的输出。
Dropout就是在不同的训练过程中，按照一定概率使得某些神经元停止工作。也就是让每个神经元按照一定的概率停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。但是它的权重依然存在，下次更新时可能会使用到它。
  神经网络在训练过程中，可以无限逼近一段非线性连续函数，但是如果模型网络层数过多或设置的足够复杂，在训练时会出现过拟合（overfitting），就像下图这样。
图中蓝色的线，为了可以涉及到每个点，呈现出了过拟合现象。
尽管它很好的拟合了每一个点的位置，但是曲线是歪歪曲曲，这个的曲线不具有良好的鲁棒性,不是我们想要的结果，在实际工程实验中，我们更希望得到如黑色线一样的曲线。

tf.nn.dropout函数介绍

def dropout(x, keep_prob, noise_shape=None, seed=None, name=None)

**x：**上一层传下载的tensor。（一般用于全连接层后面）
keep_prob：保留keep_prob的神经元继续工作，其余的停止工作与更新。（在这里并不是真正被丢掉，而是在这一轮的训练中不更新这个神经元的权值，权值在这一轮训练被保留，下一轮训练可能又会被更新。）
**seed：**整形变量，随机数种子。
**name：**指定dropout操作的名字
注意：

1、dropout必须设置概率keep_prob,keep_prob应初始化为占位符placeholder。定义如下：

keep_prob = tf.placeholder(tf.float32)  
h_drop = tf.nn.dropout(encoded, keep_prob)

2、train的时候才是dropout起作用的时候,test的时候不应该让dropout起作用。