deep_learning_Dropout

吴恩达深度学习笔记（十一）—— dropout正则化

主要内容：

一、dropout正则化的思想

二、dropout算法流程

三、dropout的优缺点

一、dropout正则化的思想

在神经网络中，dropout是一种“玄学”的正则化方法，以减少过拟合的现象。它的主要思想就是：在训练神经网络的每一轮迭代中，随机地关闭一些神经元，以此降低神经网络的复杂程度：

 二、dropout算法流程

1）对于第k层的结点，选择一个范围在(0,1]的数keep_prob，表明每一个结点的存在几率为keep_prob

2）在每一轮迭代中，为第k层的所有结点随机分配一个范围在[0,1]的数D。如果某个结点的D小于等于keep_prob，那么这个结点在此轮迭代中能保存；否则，这个结点将在这轮迭代中被暂时删去，所谓删去，其实就是将该节点在这轮前向传播的输出值设为0。

3）对于保存下来的点，还需要做一步操作：新输出值 = 原输出值/keep_prob。

问：为何输出值要除以keep_prob呢？

答：因为这样能保证第k层输出的期望不发生改变，或者说是保持第k层输出值的scale。

4）以上是前向传播的过程，在反向传播中，同样需要对保留下来的结点的导数dA除以keep_prob。

5）每一层的keep_prob可以不一样，其中输入层X一般不进行dropout，结点数大的隐藏层其keep_prob可以小一点以降低其复杂度。

三、dropout的优缺点

优点：使用dropout正则化的神经网络，不会过分依赖于某个或某些特征，使得权重分散。因为在每一轮迭代中隐藏层的任何一个结点都有可能被删除，那么原本属于它的权重就会被分配到其他结点上，多次迭代平均下来，就能降低对某个特征或者是某个结点的依赖了。

缺点：损失函数在每一轮迭代中不一定是逐渐减小，因为此时的损失函数没有明确的定义。（这个不理解）