Dropout解决过拟合问题
参考：
Dropout解决过拟合问题
Dropout原理与实现
Dropout详解
Dropout的定义
- 在神经网络的训练过程的前向传播中，每个batch的迭代时，以概率p随机关闭神经元（每个neuron, 有p%的可能性被去除;（注意不是去除p比例的神经元），本次反向传播时，只更新未关闭的神经元；
- 下一个batch训练时，恢复上一轮被关闭的神经元，然后重复操作1。
训练与测试时的输出
测试时需要关闭dropout，否则仍然按概率抛弃神经元会导致网络不稳定，即同一样本多次预测结果不同。
为了平衡训练与测试的差异，可以采取使得训练与测试的输出期望值相等的操作：
首先假设一层神经网络中有n个神经元，其中一个神经元的输出是x，输出期望也是x。加上dropout后，有p的概率这个神经元失活，那么这个神经元的输出期望就变成了(1-p)*x+p*0=(1-p)x，我们需要保证这个神经元在训练和测试阶段的输出期望基本不变。那么就有两种方式来解决：
- 第一种方式是在训练的时候，让这个神经元的输出放大1/(1-p)倍，那么它的输出期望就变成(1-p)x/(1-p)+p*0=x，和不dropout的输出期望一致；
- 第二种方式是在测试的时候，让这个神经元的输出乘以(1-p)，那么它的输出期望就变成了(1-p)x，和训练时的期望是一致的。
为什么dropout可以减轻过拟合
- ensemble效果：训练过程中每次随机关闭不同的神经元，网络结构已经发生了改变，整个dropout的训练过程就相当于很多个不同的网络取平均，进而达到ensemble的效果。
- 减少神经元之间复杂的共适应关系(co-adaption)：dropout导致每两个神经元不一定每一次都在网络中出现，减轻神经元之间的依赖关系。阻止了某些特征仅仅在其它特定特征下才有效果的情况，从而迫使网络无法关注特殊情况，而只能去学习一些更加鲁棒的特征。
所谓co-adaption，是指网络中的一些节点会比另外一些节点有更强的表征能力。这时，随着网络的不断训练，具有更强表征能力的节点被不断的强化，而更弱的节点则不断弱化直到对网络的贡献可以忽略不计。这时候只有网络中的部分节点才会被训练，浪费了网络的宽度和深度，进而导致模型的效果上升收到限制。而Dropout的提出解决了co-adaption问题，从而使得训练更宽的网络成为可能。
