1.Dropout正则化

---

        Dropout正则化：网络中每一个神经元节点都有一定概率保留或消除，从而下较小规模的网络。

        假设上图网络存在过拟合，Dropout正则化的做法就是遍历每一个节点，对该节点以一定的概率保留或删除，从而简化网络，如下图所示：

        通过这种方式，网络结构更加简单，从而使网络的输出不再依赖于某些神经元（过拟合从某一方面来讲就是网络特别依赖某些神经元，这些神经元的权重更大，因此对网络的输出影响更大。这种神经元依赖上下文神经元的现象也被成为协同适应），在训练网络的过程中，由于去除了某些神经元，那么网络就失去了该神经元的部分表征，因此在训练后，网络能学习更加独立丰富的特征（这种效果类似L2范数正则项，每个神经元不会被赋予更大的权重，从而产生了收缩权重平方范数的效果），使模型更加鲁棒。

---

2.Dropout正则化的具体做法

---

        目前主要做法是反向随机失活，具体流程如下：

（1）确定参数的值keep-prob：每一层节点被保留的概率。

（2）生成概率矩阵：

        该矩阵的大小和本层激活函数的输出一致，即 的维度。该矩阵的内容是布尔矩阵true或false。

（3）计算输出：

        在Python中，布尔值与整数进行计算时，布尔值会被转化成整数，true为1，false为0。将两矩阵相乘，矩阵中false的位置表示该神经元被删除，因此对应位置的输出就是0。

（4）维持期望（精髓）：

        这步操作是为了维持本次输出的期望值不变，从而减少本次网络结构变化对其他层产生的影响。假设keep_prob=80%，即本层有20%的节点被删除，那么未进行（4）操作时，期望会减小20%，进行了（4）操作后，从而维持期望。

        需要注意：1.Dropout正则化只在训练阶段使用，在验证集不使用。2.网络中每层的keep_prob都可以不同，对于输入层通常不设置keep_prob，对于节点较多的层keep_prob的值应该要比其他层小（也就是更大概率删除更多的节点，因为节点多的层容易过拟合）。