我有一个关于带有noise_shape参数的Keras函数Dropout的问题。
问题 1：
是什么意思，如果你的输入有形状（batch_size时，时间步长，功能），你想辍学面膜是所有时间步长一样，你可以使用noise_shape =（batch_size时，1，特点）3，什么是增加的好处这个论点？
这是否意味着随着时间步长被丢弃的神经元数量是相同的？这意味着在每个时间步长 t，都会有 n 个神经元被丢弃？
问题 2： 创建模型时是否必须在 noise_shape 中包含“batch_size”？--> 看下面的例子。
假设我有一个形状为 (10000, 1, 100, 2) -->（数据数量、通道、时间步长、特征数量）的多元时间序列数据。
然后我创建批次大小为 64 --> (64, 1, 100, 2)
如果我想创建一个带有 dropout 的 CNN 模型，我会使用 Keras 函数式 API：
inp = Input([1, 100, 2])
conv1 = Conv2D(64, kernel_size=(11,2), strides(1,1),data_format='channels_first')(inp)
max1 = MaxPooling2D((2,1))(conv1)
max1_shape = max1._keras_shape
drop1 = Dropout((0.1, noise_shape=[**?**, max1._keras_shape[1], 1, 1]))
因为层max1的输出shape应该是(None, 64, 50, 1)，我不能给问号赋值None（对应batch_size）
我想知道我应该如何应对这种情况？我应该使用 (64, 1, 1) 作为噪声形状吗？或者我应该定义一个名为“batch_size”的变量，然后将它传递给这个参数，比如 (batch_size, 64, 1, 1)？