深度学习中的Dropout简介及实现

在训练神经网络模型时候，若是模型相对复杂即参数较多而训练样本相对较少，这时候训练出的模型可能对训练集中的数据拟合的比较好，但在测试集上的表现较差，即出现了过拟合的状况。这种状况下可使用Dropout来下降过拟合的可能性进而提升模型的泛化能力。过拟合指的是模型在训练数据上损失函数比较小，预测准确率较高，可是在测试数据上损失函数比较大，预测准确率较低。Dropout能够随机地临时选择一些中间层中的神经

>>阅读原文<<