本文主要參考博文：
1. http://www.aiuxian.com/article/p-1870737.html
2. http://shuokay.com/2016/06/14/dropout/
引言
在機器學習的一些模型中，如果模型的參數太多，而訓練樣本又太少的話，這樣訓練出來的模型很容易產生過擬合現象。在訓練bp網絡時經常遇到的這個問題，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，但是在測試數據上損失函數比較大，預測準確率較低。
常用的防止過擬合的方法是正則化，也就是在模型的損失函數中，對模型的參數進行“懲罰”，這樣的話這些參數就不會太大，而越小的參數說明模型越簡單，越簡單的模型則越不容易產生過擬合現象。因此在添加權值懲罰項後，應用梯度下降算法迭代優化計算時，如果參數theta比較大，則此時的正則項數值也比較大，那麼在下一次更新參數時，參數削減的也比較大，從而可以使擬合結果看起來更平滑，不至於過擬合。
Dropout是hintion最近幾年提出的，爲了防止模型過擬合，Dropout可以作爲一種trik供選擇。在hinton的論文摘要中指出，在每個訓練批次中，通過忽略一半的特徵檢測器（讓一半的隱層節點值爲0），可以明顯地減少過擬合現象。這種方式可以減少特徵檢測器間的相互作用，檢測器相互作用是指某些檢測器依賴其他檢測器才能發揮作用。
Dropout方法
訓練階段：
1.Dropout是在標準的bp網絡的的結構上，使bp網的隱層激活值以一定的比例v變爲0，即：按照一定比例v，隨機地讓一部分隱層節點失效
2.去掉權值懲罰項，取而代之的是限制權值的範圍，給每個權值設置一個上限範圍。如果在訓練更新的過程中，權值超過了這個上限，則把權值設置爲這個上限的值。這樣處理，不論權值更新量有多大，權值都不會過大。此外，還可以使算法採用一個比較大的學習率來加快學習速度，從而使算法在一個更廣闊的權值空間中搜索更好的權值，而不用擔心權值過大。
測試階段：
在前向傳播到輸出層前，隱含層節點的輸出值都要縮減到(1-v)倍，例如：正常的隱層輸出爲a，此時需要縮減爲a(1-v)。
這裏我的解釋是：假設比例v=0.5，也就是在訓練階段以0.5的比例忽略隱層節點，假設隱層有80個節點，每個節點輸出值爲1，那麼此時只有40個節點正常工作，也就是說總的輸出爲40個1和40個0，輸出總和爲40；而在測試階段，由於我們的權值已經訓練完成，此時就不再按照0.5的比例忽略隱層輸出，假設此時每個隱層的輸出還是1，那麼此時總的輸出爲80個1，明顯比dropout訓練時輸出大一倍（由於dropout比例爲0.5)，所以爲了得到和訓練時一樣的輸出結果，就縮減隱層輸出爲a(1-v)，即此時輸出80個0.5，總和也爲40。這樣就使得測試階段和訓練階段的輸出“一致”了。
如上圖, 左邊是我們常見的 full connect layer, 右邊是使用了 dropout 之後的效果。 其操作方法是, 首先設定一個 dropout ratio σ, 是超參數, 範圍設置爲 (0,1), 表示在 Forward 階段需要隨機斷開連接的比例。每次 Forward 的時候都要隨機地斷開該比例的連接, 只更新剩下的 weight。 最後, 在 test/predict 的時候使用全部的連接, 不過, 這些 weights 全部都需要乘上 1−σ。在具體的實現中略有不同。
Dropout原理分析
Dropout可以看做是一種模型平均，所謂模型平均，顧名思義，就是把來自不同模型的估計或者預測通過一定的權重平均起來，在一些文獻中也稱爲模型組合，它一般包括組合估計和組合預測。
Dropout中哪裏體現了“不同模型”；這個奧祕就是我們隨機選擇忽略隱層節點，在每個批次的訓練過程中，由於每次隨機忽略的隱層節點都不同，這樣就使每次訓練的網絡都是不一樣的，每次訓練都可以單做一個“新”的模型；此外，隱含節點都是以一定概率隨機出現，因此不能保證每2個隱含節點每次都同時出現，這樣權值的更新不再依賴於有固定關係隱含節點的共同作用，阻止了某些特徵僅僅在其它特定特徵下才有效果的情況。
這樣dropout過程就是一個非常有效的神經網絡模型平均方法，通過訓練大量的不同的網絡，來平均預測概率。不同的模型在不同的訓練集上訓練（每個批次的訓練數據都是隨機選擇），最後在每個模型用相同的權重來“融合”，有點類似boosting算法。
代碼詳解
caffe 源碼：
