Keras：LSTM辍学和LSTM反复辍学之间的区别

从Keras文档中：

dropout：介于0到1之间的浮点。输入线性变换要下降的单位的分数。

recurrent_dropout：在0到1之间浮动。用于递归状态线性转换的要下降的单位的分数。

谁能指出每个辍学下方图片的位置？

我建议看一下本文的第一部分。在输入和/或输出上应用常规滤除，这意味着从x_t和到的垂直箭头h_t。在您的情况下，如果将其添加为图层的参数，它将掩盖输入。您可以在循环图层之后添加一个Dropout图层，以屏蔽输出。递归退出屏蔽（或“丢弃”）递归单元之间的连接；那就是图片中的水平箭头。

这张照片摘自上面的论文。在左侧，输入和输出的定期删除。在右侧，常规辍学加上经常性辍学：

（在这种情况下，请忽略箭头的颜色；在本文中，他们进一步强调了在每个时间步长都保留相同的退出蒙版）

上面的答案强调了一种经常性的辍学方法，但tensorflow和keras并未使用一种方法。Tensorflow文档。

Keras / TF是Semeniuta等人提出的一种循环方法。另外，请在图片下方检查比较不同的经常性辍学方法。上面答案中提到的Gal和Ghahramani方法在第二位，而Semeniuta方法是最合适的。