本系列教程适用于没有任何pytorch的同学（简单的python语法还是要的），从代码的表层出发挖掘代码的深层含义，理解具体的意思和内涵。pytorch的很多函数看着非常简单，但是其中包含了很多内容，不了解其中的意思就只能【看懂代码】，无法【理解代码】。

官方定义

Dropout是一种常用的正则化方法，通过随机将部分神经元的输出置为0来减少过拟合。

Dropout在训练时随机讲某些张量的值设为0，从而减少模型对训练数据的依赖程序，提高泛化能力；同时在测试时需要关闭Dropout，具体来说，如果处于model.eval模式时，并不会使用Dropout。

官方的文档如下，torch.nn.Dropout:

​

demo

下面是一个官方文档给出的例子：

import torch
import torch.nn as nn

m = nn.Dropout(p=0.2)
input = torch.randn(20, 16)
output = m(input)

print(input[0])
print(output[0])

输出的结果：

我们会发现：

1. 有一部分的值变为了0，这些值大约占据总数的0.2。
2. 其它非0参数都除以0.8，使得值变大了。比如：0.3514 / 0.8 = 0.4392，-1.0317 / 0.8 = -1.2896。

Dropout的位置

一般来说，我们在实现的神级网络中这么定义：

self.dropout = nn.Dropout(0.3)

但是具体在哪里使用是个问题。

一般来说，Dropout使用位置是在隐藏层之间的节点上，具体来说，就是在全连接层之间放置Dropout来避免过拟合：

import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(in_features, hidden_size)
        self.dropout = nn.Dropout(dropout_prob)
        self.fc2 = nn.Linear(hidden_size, out_features)
    
    def forward(self, x):
        x = self.fc1(x)
        x = self.dropout(x)
        x = torch.relu(x)
        x = self.fc2(x)
        return x

比如上面得这个例子，dropout被放置在fc1和fc2之间。