辍学如何在keras＆＃39; LSTM层？

Question

在keras＆＃39; documentation没有关于LSTM层实际实现丢失的信息。

但是，有一个链接到论文＆＃34; A Theoretically Grounded Application of Dropout in Recurrent Neural Networks＆＃34;，这让我相信辍学是按照所述论文所述实施的。

也就是说，对于图层正在处理的时间序列中的每个时间步长，使用相同的丢失掩码。

查看source code，在我看来，LSTMCell.call被迭代调用，一次用于时间序列中的每个时间步，并且每次调用时都会生成一个新的丢失掩码。

我的问题是：

要么我误解了keras＆＃39;代码，或者在keras＆＃39;中对论文的引用。文档具有误导性。这是什么？

Answer 1

论文和代码都是一致的。你已经理解正确，但解释了有点错误。

在初始化dropout_mask self._dropout_mask is None

之前进行检查

因此，对于时间序列中的每个时间步，迭代地调用LSTMCell.call，但仅在第一次调用中生成新的丢失掩码。

if 0 < self.dropout < 1 and self._dropout_mask is None:
    self._dropout_mask = _generate_dropout_mask(
        K.ones_like(inputs),
        self.dropout,
        training=training,
        count=4)
if (0 < self.recurrent_dropout < 1 and
        self._recurrent_dropout_mask is None):
    self._recurrent_dropout_mask = _generate_dropout_mask(
        K.ones_like(states[0]),
        self.recurrent_dropout,
        training=training,
        count=4)

希望澄清你的疑问。