Keras的Dropout在预测阶段是否持续发挥作用？

本文共计687个文字，预计阅读时间需要3分钟。

由于需要重写Keras模型，但仅具备预测功能，发现过程中遇到了许多困难。特别是Dropout这个难题，我记忆中曾向端新求助。一开始，我打算在预测时保持和训练时完全一样的网络结构。

因为需要，要重写训练好的keras模型，虽然只具备预测功能，但是发现还是有很多坑要趟过。其中Dropout这个坑，我记忆犹新。

一开始，我以为预测时要保持和训练时完全一样的网络结构，也就是预测时用的网络也是有丢弃的网络节点，但是这样想就掉进了一个大坑！因为无法通过已经训练好的模型，来获取其训练时随机丢弃的网络节点是那些，这本身就根本不可能。

更重要的是：我发现每一个迭代周期丢弃的神经元也不完全一样。

假若迭代500次，网络共有1000个神经元， 在第n（1<= n <500）个迭代周期内，从1000个神经元里随机丢弃了200个神经元，在n+1个迭代周期内，会在这1000个神经元里（不是在剩余得800个）重新随机丢弃200个神经元。

训练过程中，使用Dropout，其实就是对部分权重和偏置在某次迭代训练过程中，不参与计算和更新而已，并不是不再使用这些权重和偏置了(预测时，会使用全部的神经元，包括使用训练时丢弃的神经元)。

也就是说在预测过程中完全没有Dropout什么事了，他只是在训练时有用，特别是针对训练集比较小时防止过拟合非常有用。