dropout 是神经网络用来防止过拟合的一种方法，很简单，但是很实用。

基本思想是以一定概率放弃被激活的神经元，使得模型更健壮，相当于放弃一些特征，这使得模型不过分依赖于某些特征，即使这些特征是真实的，当然也可能是假的。

 

大致步骤

1. 在神经元 H1 被激活后，随机生成一组数据 U1 和一个0-1的随机数 p

　　H1 = np.maximum(0, np.dot(W1, X) + b1)
　　U1 = np.random.rand(*H1.shape) < p 
2. U1中小于p的被置1，大于p的被置0
　　H1 *= U1 
　　p 越大，被置1的越多，被保留的神经元越多
 

使用方法

1. 只用在训练过程，测试过程不要使用　　　　【你非要使用，也可以，代码是可以跑的】
　　// 因为训练是为了得到一个稳定的模型，但是测试时是实实在在的个体，是什么，理论上预测就是什么，如果你丢掉部分特征，那就是其他个体了，或者一会是A，一会是B，导致输出不稳定
　　// tf 会自动处理 dropout 的使用场景，即 tf 已经设定在训练时使用 dropout，测试时不使用
2. dropout 一般用在 pooling 之后