在训练阶段，它们是相同的（只要“掉落率”和“保持率”一致）。但是，对于评估（测试）阶段，它们是完全不同的。 tf.nn.dropout仍然会随机删除，而tf.layers.dropout不会删除任何内容（透明层）。在大多数情况下，使用tf.layers.dropout 。

看一眼就通过tensorflow /蟒/层/ core.py和tensorflow /蟒/操作/ nn_ops.py揭示tf.layers.dropout为包装tf.nn.dropout 。

这两个功能的唯一区别是：

1. tf.nn.dropout具有参数keep_prob ：“保留每个元素的概率”
   tf.layers.dropout具有参数rate ：“辍学率”
   因此， keep_prob = 1 - rate 此处定义的keep_prob = 1 - rate
2. tf.layers.dropout具有training参数：“是在训练模式下（应用dropout）还是在推理模式下返回输出（保持输入不变）。”

想法是一样的，参数略有不同。在nn.dropout中 ， keep_prob是保留每个元素的概率 。在layers.dropout 率= 0.1将 丢失 10％的输入单位 。

因此keep_prob = 1 - rate 。另外layers.dropout允许training参数。

通常，只要仔细阅读有关您所关心的功能的文档，您就会发现其中的区别。