神经网络中的Dropout

神经网络和深度学习
上一篇	主目录	下一篇

---

【前言】
过拟合是深度神经网（DNN）中的一个常见问题：模型只学会在训练集上分类，这些年提出的许多过拟合问题的解决方案，其中dropout具有简单性而且效果也非常良好。
相关论文：Hinton：《Improving neural networks by preventing co-adaptation of feature detectors》

---

1 dropout简介

• dropout 在深度学习中是一种防止过拟合的手段，具有很好的容错能力。
• dropout 是在深度学习的训练过程中，按照一定的概率将神经网络单元从网络中暂时丢弃。
• 对于梯度下降而言，在训练过程中是随机丢弃神经网络单元，所以每l轮次中每一个mini-batch都在训练不同的网络。

【注】其他防止过拟合的方法：

1. 正则化 2.减小网络规模 3.增加训练样本数量

2 dropout作用方式

• 在每次训练的时候使用dropout，每个神经元有一定的概率被移除，这样可以使得一个神经元的训练不依赖于另外一个神经元，同样也就使得特征之间的协同作用被减弱。Hinton认为，过拟合可以通过阻止某些特征的协同作用来缓解。
• dropout是多模型效果平均的方式。对于减少测试集中的错误，我们可以将多个不同神经网络的预测结果取平均，而因为dropout的随机性，我们每次dropout后，网络模型都可以看成是一个不同结构的神经网络，而此时要训练的参数数目却是不变的，这就解脱了训练多个独立的不同神经网络的时耗问题。在测试输出的时候，将输出权重除以二，从而达到类似平均的效果。
  如果采用dropout，训练时间大大延长，但是对测试阶段没影响。

---

神经网络和深度学习系列笔记： 传送门