tf.contrib.layers.dropout和tf.nn.dropout的不同导致的bug

今天在写RNN的时候，Dense layer需要添加一个dropout，至于keep_prob按道理是需要用一个placeholder:

self.dropout_keep_prob = tf.placeholder(tf.float32, name='keep_prob')

来占位，以便于在训练/测试的时候区分。利用feed_dict 来传递 keep_prob的值
看别人的教程，一模一样的加了个这样的dropout：

fc = tf.contrib.layers.dropout(fc,keep_prob=self.dropout_keep_prob)

结果在训练的时候报错

TypeError: Using a ‘tf.Tensor’ as a Python ‘bool’ is not allowed…

然而这个报错并不能真正解释问题。还好根据定位，把keep_prob设为固定值就不会报错了，这就很奇怪了，keep_prob固定还要dropout何用？
去找了找原因发现：
tf.nn.dropout() 和 tf.tf.contrib.layers.dropout() 有一点区别
把：

fc = tf.contrib.layers.dropout(fc,keep_prob=self.dropout_keep_prob)

换成：

fc = tf.nn.dropout(fc,keep_prob=self.dropout_keep_prob)

就好了。

为什么呢？

简单来说就是tf.tf.contrib.layers.dropout() 是把tf.nn.dropout() 包装起来了，高级API，多了一个参数“ is_training”，默认是不能让keep_prob为Tensor的。

---

这样有好处也有坏处…我就遇上了坏处，并不想多传一个True/Flase来决定是否能让tensor作为keep_prob的值来传递~
参考链接：tensorflow: what’s the difference between tf.nn.dropout and tf.layers.dropout