Answers:
val_loss是交叉验证数据的成本函数值，损失是训练数据的成本函数值。根据验证数据，使用辍学的神经元不会丢弃随机神经元。原因是在训练过程中，我们使用辍学来增加一些噪音，以避免过度拟合。在计算交叉验证期间，我们处于召回阶段，而不是训练阶段。我们使用网络的所有功能。
感谢我们一位亲爱的朋友，在此引用并解释有用的内容。
validation_split：在0到1之间浮动。训练数据的一部分用作验证数据。模型将分开训练数据的这一部分，不对其进行训练，并且将在每个时期结束时评估此数据的损失和任何模型度量。在改组之前，从提供的x和 y数据中的最后一个样本中选择验证数据。
validation_data：元组（x_val，y_val）或元组（x_val，y_val，val_sample_weights），在每个时期结束时可评估损失和任何模型指标。该模型将不会根据此数据进行训练。这将覆盖validation_split。
如你看到的
fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)fit中使用的方法Keras具有一个名为validation_split的参数，该参数指定用于评估在每个时期之后创建的模型的数据百分比。使用大量数据评估模型后，val_loss如果将verbose设置为，则会通过进行报告1。此外，正如文档中明确规定的那样，您可以使用validation_data或validation_split。交叉验证数据用于调查您的模型是否适合数据。这就是我们可以了解我们的模型是否具有泛化能力的内容。
dropout未使用None）时，辍学仅在训练期间适用（即在验证期间未应用退学）。因此，验证损失（val_loss）和训练损失（loss）之间的差异之一是，当使用辍学时，验证损失可以低于训练损失（通常在不使用辍学的情况下通常无法预期）。