Dropout是作为缓解卷积神经网络CNN过拟合而被提出的一种正则化方法，它确实能够有效缓解过拟合现象的发生，但是Dropout带来的缺点就是可能会减缓模型收敛的速度，因为每次迭代只有一部分参数更新，可能导致梯度下降变慢。
1、 Dropout原理
Dropout叫做随机失活，简单来说就是在模型训练阶段的前向传播过程中，让某些神经元的激活值以一定的概率停止工作，如下图所示，这样可以使模型的泛化性更强。
下面以一个例子来讲解Dropout的具体工作流程：假设要训练如下图所示的神经网络，输入是，输出是
。正常的训练流程是首先把输入
通过网络进行前向传播，然后把误差反向传播以决定如何更新参数。
加入Dropout之后，训练过程变成如下：
（1）首先让所有神经元以一定概率p失活，输入输出的神经元保持不变，如下图所示；
（2）让输入通过部分神经元失活的新网络（如上图）进行前向传播，然后计算损失并把损失反向传播，一小批样本执行完这个过程后，根据梯度下降算法更新参数（w,b）；
（3）不断重复这一过程：
①恢复失活的神经元；
②重新让所有神经元以一定概率p失活（这次失活的和上次失活的神经元并不一定相同）；
③让输入通过部分神经元失活的新网络进行前向传播，然后计算损失并把损失反向传播，新的一批样本执行完这个过程后，根据梯度下降算法更新参数（w,b）；
但是Dropout一般只在网络的训练阶段使用，而测试阶段不使用Dropout，也就是说训练时前向传播只使用没有失活的那部分神经元，而测试时使用的是全部的神经元，那么训练和测试阶段就会出现数据尺度不同的问题。所以测试时，所有权重参数都要乘以
，以保证训练和测试时尺度变化一致。为了更好的理解这个数据尺度变化的问题，小编举个例子来讲解：假设输入是100个特征，没有使用Dropout之前，隐藏层第一层的第一个神经元的值可以表示为：
不妨取，那么此时
。训练阶段使用Dropout时，若失活率
，可以理解成只有70个神经元起作用，此时
；而测试时没有Dropout，使用的是全部神经元，也就是
，不难发现使用Dropout后少了
，这就是训练阶段和测试阶段数据的尺度不一致。为了保证尺度的一致性，测试时所有权重参数
都要乘以
，即
，这样使用Dropout的训练集和不使用Dropout的测试集的尺度就一致了。所以Dropout在训练和测试时是不一样的，代码实现时要注意这点，即训练前要用train()函数，表示模型进入训练阶段，该阶段Dropout是正常工作的，测试前要用eval()函数，表示模型进入测试阶段，Dropout就会停止工作。
2、 Dropout缓解过拟合现象的原因
（1）集成学习的作用： 先回到标准的模型即没有Dropout，我们用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果，这种“综合起来取平均”的策略通常可以有效防止过拟合问题。因为不同的网络可能产生不同的过拟合，取平均则有可能让一些“相反的”拟合互相抵消。Dropout掉不同的隐藏神经元就类似在训练不同的网络，随机删掉部分隐藏神经元导致网络结构已经不同，整个Dropout过程就相当于对很多个不同的神经网络取平均，从这个角度看有点类似于集成学习的特点。
（2）正则项的作用： 因为Dropout导致两个神经元不一定每次都在一个dropout网络中出现，这样权值的更新不再依赖于有固定关系的隐含节点的共同作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况 ，迫使网络去学习更加鲁棒的特征 ，这些特征在其它的神经元的随机子集中也存在。正因为这样，网络由于不知道浅层的哪些神经元会失活，导致网络不敢赋予浅层神经元太大的权重，这样就减轻了网络对某些局部特征的依赖，换句话说网络不会对一些特定的线索片段太过敏感，即使丢失特定的线索，它也可以从众多其它线索中学习一些共同的特征。从这个角度看Dropout就类似于L1，L2正则，减少权重使得网络对丢失特定神经元连接的鲁棒性提高。