网上关于正则化的一些方法、以及Dorpout原理解释有很多，大家有感兴趣的可以百度。
本文主要聊下inverted dropout。
想看英文解释的可以查看《Regularization of Neural Networks using DropConnect》
所谓inverted dropout，当模型使用了dropout layer，训练的时候只有占比为 p的隐藏层单元参与训练，那么在预测的时候，如果所有的隐藏层单元都需要参与进来，则得到的结果相比训练时平均要大1/p，为了避免这种情况，就需要测试的时候将输出结果乘以p 使下一层的输入规模保持不变。而利用inverted dropout，我们可以在训练的时候直接将dropout后留下的权重扩大1/p倍，这样就可以使结果的scale保持不变，而在预测的时候也不用做额外的操作了，更方便一些。
数学分析：
假设我们设置dropout probability为p, 那么该层大约有比例为p的单元会被drop掉，因为每个神经元是否drop就是一次伯努利实验，这层的dropout概率服从伯努利分布，而分布的期望就是np。
,当
层有比例为p的单元drop后，
大约会变为原来的p倍，为了保证l层的z期望不变，所以要在
与dropout矩阵乘积后，要除以p，即扩大1/p倍。