标签：0.2 RNN dropout recurrent csdn hidden

今天看到RNN代码里面有dropout，查了一下，有下面的说法

https://blog.csdn.net/xinyihhh/article/details/122135986

model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))

model.add(Dropout(0.5))

第一个dropout是输入层x和hidden之间的dropout，控制输入线性变换的神经元断开比例
第二个recurrent_dropout是hidden-hidden之间的dropout（循环层之间），控制循环状态的线性变换的神经元断开比例
第三个Dropout是在层之间加入dropout层,是层与层之间的dropout

另外也有地方说RNN的权重存在累乘效应，如果使用dropout的话，会破坏RNN的学习过程。

https://blog.csdn.net/zhou_438/article/details/108577209

Google Brain在15年专门发表了一篇文章研究这个：recurrent neural network regularization

他们在非循环阶段使用了dropout，改善了过拟合的现象

论文在两个地方使用了dropout，图中虚线部分就是使用了dropout，实线部分没有使用

标签：0.2,RNN,dropout,recurrent,csdn,hidden
来源： https://www.cnblogs.com/charlesblc/p/16157771.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。