### Dropout 层的作用 `tf.keras.layers.Dropout` 是一种正则化技术，用于防止神经网络过拟合。通过在训练期间随机丢弃一定比例的输入单元，Dropout 可以提高模型泛化能力并减少过度依赖特定特征的风险。 当 `training` 参数设置为 True 时，`tf.keras.layers.Dropout` 会生效，在此情况下该层将以给定的概率将输入张量中的某些元素设为零[^2]。例如： ```python dropout_layer = tf.keras.layers.Dropout(0.25) input_tensor = tf.ones([100]) output_tensor_train = dropout_layer(input_tensor, training=True) print(output_tensor_train.numpy()) ``` 上述代码创建了一个具有 0.25 的丢弃率 (即保留率为 75%) 的 Dropout 层，并将其应用于一个全为 1 的向量上。由于设置了 `training=True`，部分输出将会被置为 0。 而在推理阶段 (`training=False`) 或者未指定 `training` 参数的情况下，默认行为是不会应用 Dropout 效果，此时所有输入都会保持不变： ```python output_tensor_infer = dropout_layer(input_tensor) print(output_tensor_infer.numpy()) # 输出应全部接近于原始输入值 ``` 为了验证这一点，可以构建简单的 Keras 模型来观察不同模式下的表现差异。 ### 使用实例 下面是一个完整的例子展示如何在一个小型卷积神经网络中使用 `tf.keras.layers.Dropout`: ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers model = keras.Sequential([ layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D(pool_size=(2, 2)), # 添加带有 0.25 丢失概率的 Dropout 层 layers.Dropout(rate=0.25), layers.Flatten(), layers.Dense(units=64, activation='relu'), # 再次添加另一个 Dropout 层 layers.Dropout(rate=0.5), layers.Dense(units=10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(x_train, y_train, epochs=5, validation_data=(x_val, y_val)) # 预测新样本 predictions = model.predict(new_samples) ``` 在这个例子中，两个不同的位置分别加入了 `layers.Dropout` 来控制过拟合风险。第一个位于最大池化之后，第二个紧接在完全连接层之前。这样可以在一定程度上增强模型鲁棒性和预测性能。