深度學習中的Dropout簡介及實現

在訓練神經網絡模型時候，若是模型相對複雜即參數較多而訓練樣本相對較少，這時候訓練出的模型可能對訓練集中的數據擬合的比較好，但在測試集上的表現較差，即出現了過擬合的狀況。這種狀況下可使用Dropout來下降過擬合的可能性進而提升模型的泛化能力。過擬合指的是模型在訓練數據上損失函數比較小，預測準確率較高，可是在測試數據上損失函數比較大，預測準確率較低。Dropout能夠隨機地臨時選擇一些中間層中的神經

>>阅读原文<<