https://zh.d2l.ai/chapter_multilayer-perceptrons/dropout.html
num_epochs, lr, batch_size = 10, 0.5, 256
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = tf.keras.optimizers.SGD(learning_rate=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
这里的训练并没有使用上面NET定义的training参数，导致改变dropout参数不起作用？
同感，有谁能确认下
另外，如果想把training参数传进去的话，应该怎么传
trainning参数我这边尝试下这么传的
dropout1, dropout2 = 0.2, 0.5
# dropout1, dropout2 = 0.0, 0.0
class Net(tf.keras.Model):
def __init__(self, num_outputs, num_hiddens1, num_hiddens2, training):
super().__init__() #!! 这句话的作用是？？ 继承父类的初始化方法
self.input_layer = tf.keras.layers.Flatten()
self.hidden1 = tf.keras.layers.Dense(num_hiddens1, activation="relu")
self.hidden2 = tf.keras.layers.Dense(num_hiddens2, activation="relu")
self.output_layer = tf.keras.layers.Dense(num_outputs)
self.training = training
def call(self, inputs):
x = self.input_layer(inputs)
x = self.hidden1(x)
# print("x:", x)
# 只有在训练模型时才使用dropout
if self.training:
# 在第一个全连接层之后添加一个dropout层
# print(x.shape)
x = dropout_layer(x, dropout1)
# print("dropout(x):", x)
x = self.hidden2(x)
if self.training:
# 在第二个全连接层之后添加一个dropout层
x = dropout_layer(x, dropout2)
x = self.output_layer(x)
return x
net = Net(num_outputs, num_hiddens1, num_hiddens2, 1)
修改后dropout生效后，可以正常迭代训练了：
