dropout

1 dropout简介

1.1 dropout出现的原因

在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。

过拟合表现：模型在训练数据上损失函数较小，预测准确率较高，但是在测试数据上损失函数比较大，预测准确率较低。

dropout可以比较有效的缓解过拟合的发生，在一定程度上达到正则化的效果。

dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。对于随机梯度下降来说，由于是随机丢弃，因此每一个mini-batch都在训练不同的网络。

1.2 什么是dropout

在前向传播的时候，让某个神经元的激活值以一定的概率 p 停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部特征。

2 dropout工作流程及使用

2.1 dropout在神经网络中的使用

dropout的具体工作流程上面已经详细的介绍过了，但是具体怎么让某些神经元以一定的概率停止工作？代码层面如何实现呢？

（1）在训练模型阶段

在训练网络的每个单元都要添加一道概率流程。

对应的公式变化如下：

没有dropout的网络计算公式：

采用dropout的网络计算公式：

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，每一个神经元的权重参数要乘以概率p。

测试阶段dropout公式：

3 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。

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。