一、dropout目的

Dropout是在《ImageNet Classification with Deep Convolutional》這篇論文里提出來為了防止神經網絡的過擬合。它的主要思想是讓隱藏層的節點在每次迭代時(包括正向和反向傳播)有一定幾率(keep-prob)失效。這樣來預防過擬合。它主要避免對某個節點的強依賴，讓反向傳播的修正值可以更加平衡的分布到各個參數上。還有如果一些節點失效，實際上也和我們減少網絡復雜度是一樣的道理。所以可以防止過擬合。

二、dropout方法

（1）訓練階段

Dropout是在標準的bp網絡的的結構上，使bp網的隱層激活值，以一定的比例v變為0，即按照一定比例v，隨機地讓一部分隱層節點失效；在后面benchmark實驗測試時，部分實驗讓隱層節點失效的基礎上，使輸入數據也以一定比例（試驗用20%）是部分輸入數據失效（這個有點像denoising autoencoder），這樣得到了更好的結果。

去掉權值懲罰項，取而代之的是，限制權值的范圍，給每個權值設置一個上限范圍；如果在訓練跟新的過程中，權值超過了這個上限，則把權值設置為這個上限的值（這個上限值得設定作者并沒有說設置多少最好，后面的試驗中作者說這個上限設置為15時，最好；為啥？估計是交叉驗證得出的實驗結論）。

此外，還可以使算法使用一個比較大的學習率，來加快學習速度，從而使算法在一個更廣闊的權值空間中搜索更好的權值，而不用擔心權值過大。

（2）測試階段

Dropout只發生在模型的訓練階段，預測、測試階段則不用Dropout

三、關于dropout需要知道的

直觀認識：Dropout隨機刪除神經元后，網絡變得更小，訓練階段也會提速

事實證明，dropout已經被正式地作為一種正則化的替代形式

有了dropout，網絡不會為任何一個特征加上很高的權重（因為那個特征的輸入神經元有可能被隨機刪除），最終dropout產生了收縮權重平方范數的效果

Dropout的功能類似于L2正則化，但Dropout更適用于不同的輸入范圍

如果你擔心某些層比其它層更容易過擬合，可以把這些層的keep-prob值設置的比其它層更低

Dropout主要用在計算機視覺領域，因為這個領域我們通常沒有足夠的數據，容易過擬合。但在其它領域用的比較少

Dropout的一大缺點就是代價函數不再被明確定義，所以在訓練過程中，代價函數的值并不是單調遞減的

使用時，先關閉Dropout，設置keep-prob為1，使代價函數的值單調遞減，然后再打開Dropout