我正在尝试使用keras后端在tensorflow中训练一个resnet网络。每次批量更新的提要字典写为：

feed_dict= {x:X_train[indices[start:end]], y:Y_train[indices[start:end]], keras.backend.learning_phase():1}

我使用keras后端（keras.backend.set_session(sess)），因为原始的resnet网络是用keras定义的。由于模型包含dropout和batch_norm层，它需要一个学习阶段来区分训练和测试。
我观察到，无论何时设置keras.backend.learning_phase():1，模型训练/测试准确度几乎不会增加到10%以上。相反，如果不设置学习阶段，即提要字典被定义为：

feed_dict= {x:X_train[indices[start:end]], y:Y_train[indices[start:end]]}

然后，如预期的那样，模型精度以标准的方式随着历元而保持增加。
如果有人澄清是否没有必要使用学习阶段，或者其他什么地方不对，我将不胜感激。Keras 2.0文档似乎建议使用带有dropout和batch_norm层的学习阶段。