轉載自：https://blog.csdn.net/huahuazhu/article/details/73649389?utm_source=copy

一、 Dropout原理簡述：
tf.nn.dropout是TensorFlow裡面為了防止或減輕過擬合而使用的函式，它一般用在全連線層。
Dropout就是在不同的訓練過程中隨機扔掉一部分神經元。也就是讓某個神經元的啟用值以一定的概率p，讓其停止工作，這次訓練過程中不更新權值，也不參加神經網路的計算。但是它的權重得保留下來（只是暫時不更新而已），因為下次樣本輸入時它可能又得工作了。示意圖如下：

但在測試及驗證中：每個神經元都要參加運算，但其輸出要乘以概率p。

二、tf.nn.dropout函式說明
tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None)
上面方法中常用的是前兩個引數：
第一個引數x：指輸入
第二個引數keep_prob: 設定神經元被選中的概率,在初始化時keep_prob是一個佔位符, keep_prob = tf.placeholder(tf.float32) 。tensorflow在run時設定keep_prob具體的值，例如keep_prob: 0.5
第五個引數name：指定該操作的名字。
三、使用舉例：
1、dropout必須設定概率keep_prob,並且keep_prob也是一個佔位符,跟輸入是一樣的
[python] view
plain copy

1. keep_prob = tf.placeholder(tf.float32)

2、train的時候才是dropout起作用的時候,train和test的時候不應該讓dropout起作用
[python] view
plain copy

1. sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})

[python] view
plain copy

1. train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})
2. test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})

本文來自 huahuazhu 的CSDN 部落格 ，全文地址請點選：https://blog.csdn.net/huahuazhu/article/details/73649389?utm_source=copy