深度学习中 droupout层是咋回事？？

参考这篇博文 博主写的非常好！   https://blog.csdn.net/program_developer/article/details/80737724

参考这篇博文 博主写的非常好！   https://blog.csdn.net/program_developer/article/details/80737724

参考这篇博文 博主写的非常好！   https://blog.csdn.net/program_developer/article/details/80737724

参考这篇博文 博主写的非常好！   https://blog.csdn.net/program_developer/article/details/80737724

参考这篇博文 博主写的非常好！   https://blog.csdn.net/program_developer/article/details/80737724

参考这篇博文 博主写的非常好！   https://blog.csdn.net/program_developer/article/details/80737724

 这个博主写的太好了，，基本都是粘贴过来的，， 又怕博主会批评我转载 没敢全粘贴过来。  还请大家去博主原文去读，

 这个博主写的太好了，，基本都是粘贴过来的，， 又怕博主会批评我转载 没敢全粘贴过来。  还请大家去博主原文去读，

 这个博主写的太好了，，基本都是粘贴过来的，， 又怕博主会批评我转载 没敢全粘贴过来。  还请大家去博主原文去读，

 这个博主写的太好了，，基本都是粘贴过来的，， 又怕博主会批评我转载 没敢全粘贴过来。  还请大家去博主原文去读，

Dropout具体工作流程
假设我们要训练这样一个神经网络，如图2所示。

图2：标准的神经网络

输入是x输出是y，正常的流程是：我们首先把x通过网络前向传播，然后把误差反向传播以决定如何更新参数让网络进行学习。使用Dropout之后，过程变成如下：

（1）首先随机（临时）删掉网络中一半的隐藏神经元，输入输出神经元保持不变（图3中虚线为部分临时被删除的神经元）

图3：部分临时被删除的神经元

（2） 然后把输入x通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数（w，b）。

（3）然后继续重复这一过程：

. 恢复被删掉的神经元（此时被删除的神经元保持原样，而没有被删除的神经元已经有所更新）
. 从隐藏层神经元中随机选择一个一半大小的子集临时删除掉（备份被删除神经元的参数）。
. 对一小批训练样本，先前向传播然后反向传播损失并根据随机梯度下降法更新参数（w，b） （没有被删除的那一部分参数得到更新，删除的神经元参数保持被删除前的结果）。
不断重复这一过程。

Dropout在神经网络中的使用

代码层面实现让某个神经元以概率p停止工作，其实就是让它的激活函数值以概率p变为0。比如我们某一层网络神经元的个数为1000个，其激活函数输出值为y1、y2、y3、......、y1000，我们dropout比率选择0.4，那么这一层神经元经过dropout后，1000个神经元中会有大约400个的值被置为0。

注意： 经过上面屏蔽掉某些神经元，使其激活值为0以后，我们还需要对向量y1……y1000进行缩放，也就是乘以1/(1-p)。如果你在训练的时候，经过置0后，没有对y1……y1000进行缩放（rescale），那么在测试的时候，就需要对权重进行缩放，操作如下。

（2）在测试模型阶段

预测模型的时候，每一个神经单元的权重参数要乘以概率p。

为什么说Dropout可以解决过拟合？
（1）取平均的作用： 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。例如3个网络判断结果为数字9,那么很有可能真正的结果就是数字9，其它两个网络给出了错误结果。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，随机删掉一半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。而不同的网络产生不同的过拟合，一些互为“反向”的拟合相互抵消就可以达到整体上减少过拟合。

（2）减少神经元之间复杂的共适应关系： 因为dropout程序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。换句话说假如我们的神经网络是在做出某种预测，它不应该对一些特定的线索片段太过敏感，即使丢失特定的线索，它也应该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就有点像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。

（3）Dropout类似于性别在生物进化中的角色：物种为了生存往往会倾向于适应这种环境，环境突变则会导致物种难以做出及时反应，性别的出现可以繁衍出适应新环境的变种，有效的阻止过拟合，即避免环境改变时物种可能面临的灭绝。

---------------------
作者：Microstrong0305
来源：CSDN
原文：https://blog.csdn.net/program_developer/article/details/80737724
版权声明：本文为博主原创文章，转载请附上博文链接！

---------------------
作者：Microstrong0305
来源：CSDN
原文：https://blog.csdn.net/program_developer/article/details/80737724
版权声明：本文为博主原创文章，转载请附上博文链接！

--------------------- 
作者：Microstrong0305 
来源：CSDN 
原文：https://blog.csdn.net/program_developer/article/details/80737724 
版权声明：本文为博主原创文章，转载请附上博文链接！

--------------------- 
作者：Microstrong0305 
来源：CSDN 
原文：https://blog.csdn.net/program_developer/article/details/80737724 
版权声明：本文为博主原创文章，转载请附上博文链接！