1. 什么是Dropout（随机失活）
就是在神经网络的Dropout层，为每个神经元结点设置一个随机消除的概率，对于保留下来的神经元，我们得到一个节点较少，规模较小的网络进行训练。
标准网络和dropout网络:
左边是简单的模型，右边是含有dropout的模型
l: hidden layer index (隐藏层索引）
z: denote the vector of inputs into layer l(表示l层的向量输入）
y: output of each layer（每一层的输出）
y0: input layer（输入层）
f: activation function（激活函数）
| 简单模型的输入输出的计算 | 含有dropout的模型，它在input layer 乘以伯努利随机概率，如果p =0.5，那么y就有50%的概率会变成0，这样它就不会参与运算 |
 |
 |
|
这个图表示的是不同的分类架构没有使用dropout和使用dropout有分类错误有显著的下降。 |
|
2.Dropout是如何防止过拟合的？
- 不依赖于任何一个特征，因为该单元的输入可能随时被清除
- 通过传播所有权重，dropout将产生收缩权重的平方范数的效果，和之前讲的L2正则化类似；
- 实施dropout的结果实它会压缩权重，并完成一些预防过拟合的外层正则化；
- L2对不同权重的衰减是不同的，它取决于激活函数倍增的大小。
3.怎么理解训练和测试的dropout不同?
左边：在训练时，每个神经单元都可能以概率p去除。
右边：在测试阶段，每个神经元都是存在的，权重参数w要乘以p，成为pw。
左边我们应该比较好理解，每个神经元都有概率p参与单次神经网络的训练。而测试的时候，神经元是不会去除的，每个神经元都是存在的，权重参数w要乘以p。那么这里就产生一个问题，为什么参数w要乘以概率p。
问题：怎么理解测试时权重参数w要乘以概率p？
假设总共有100个神经元，训练的时候我们加上dropout，p=0.5，那么我们就有50个神经元参与训练，那么我们每次50个神经元训练出来的模型参数w是要比直接100个神经元要小的，因为它更新的次数会更少。我们测试的时候100个神经元是都会参与计算的，这就跟训练的时候我们使用50个神经元产生差异了，如果要保证测试的时候每个神经元的关联计算不能少，只能从通过改变w来达到跟训练时一样输出，所以才会有权重参数w乘以p。
4.实施dropout的细节
- 如果你担心某些层比其它层更容易发生过拟合，可以把某些层的keep-prob值设置得比其它层更低， 缺点是为了使用交叉验证，你要搜索更多的超级参数，
- 另一种方案是在一些层上应用dropout，而有些层不用dropout，应用dropout的层只含有一个超级参数，就是keep-prob。
训练：input 的dropout概率推荐是0.8（添加噪声）;hidden layer 推荐是0.5（随机生成的网络结构最多）
测试：不需要dropout,但是需要将w乘以p,得到跟训练一样的输出
5.dropout常在计算机视觉应用中
- 计算视觉中的输入量非常大，输入太多像素，以至于没有足够的数据，所以dropout在计算机视觉中应用得比较频繁，有些计算机视觉研究人员非常喜欢用它，几乎成了默认的选择。
- 但要牢记一点，dropout是一种正则化方法，它有助于预防过拟合，除非算法过拟合，不然我是不会使用dropout的
- 它在其它领域应用得比较少，主要存在于计算机视觉领域，因为我们通常没有足够的数据，所以一直存在过拟合
6.dropout缺点
- dropout 的一大缺点是成本函数无法被明确定义。因为每次迭代都会随机消除一些神经元结点的影响，因此无法确保成本函数单调递减。因此，使用 dropout 时，先将keep_prob全部设置为 1.0 后运行代码，确保 J(w,b)函数单调递减，再打开 dropout
- 明显增加训练时间，因为引入dropout之后相当于每次只是训练的原先网络的一个子网络，为了达到同样的精度需要的训练次数会增多。dropout的缺点就在于训练时间是没有dropout网络的2-3倍
7.实现Dropout的方法
8.其他正则化方法
- 减小网络容量
减少模型中可学习参数的个数（这由层数和每层的单元个数决定）。深度学习中，模型中可学习参数的个数通常被称为模型的容量，直观上来看，
参数更多的模型拥有更大的记忆容量，因此能够在训练样本和目标之间轻松的学会完美的字典式映射，这种映射没有任何泛化能力。
因此，为了让损失最小化，网络必须学会对目标具有很强预测能力的压缩表示。同时，使用的模型应该具有足够多的参数，防止欠拟合，即模型
避免记忆资源不足。在容量过大与容量不足之间要找到一个折中。
- 数据扩增（Data augmentation）：通过图片的一些变换，得到更多的训练集和验证集；
- Early stopping：在交叉验证集的误差上升之前的点停止迭代，避免过拟合。这种方法的缺点是无法同时解决bias和variance之间的最优。
