本文參考 hogo在youtube上的視頻 ：https://www.youtube.com/watch?v=UcKPdAM8cnI

一、理論基礎

　　dropout的提出是為了防止在訓練過程中的過擬合現象，那就有人想了，能不能對每一個輸入樣本訓練一個模型，然后在test階段將每個模型取均值，這樣通過所有模型共同作用，可以將樣本最有用的信息提取出來，而把一些噪聲過濾掉。

那如何來實現這種想法呢？在每一輪訓練過程中，我們對隱含層的每個神經元以一定的概率p舍棄掉，這樣相當于每一個樣本都訓練出一個模型。假設有H個神經元，那么就有2^H種可能性，對應2^H模型，訓練起來時間復雜度太高。我們通過權重

共享（weights sharing)的方法來簡化訓練過程，每個樣本所對應模型是部分權重共享的，只有被舍棄掉那部分權重不同。

　　使用dropout可以使用使一個隱含結點不能與其它隱含結點完全協同合作，因此其它的隱含結點可能被舍棄，這樣就不能通過所有的隱含結點共同作用訓練出復雜的模型（只針對某一個訓練樣本），我們不能確定其它隱含結點此時是否被激活，這樣

就有效的防止了過擬合現象。

　　如下圖所示，在訓練過程中神經元以概率p出現，而在測試階段它一直都存在。

注：如果有多個隱含層，那么對每一個隱含層分別使用dropout策略

?

1.1 訓練階段

　　forward propagation

在前向傳播過程中，使用掩模m^(k)uq將部分隱含層結點舍棄。

　　backpropagation

反向傳播階段，即權重調整階段，通過掩模只調整那些未被舍棄的結點的權重。

1.2 測試階段

在前面介紹過，我們可能訓練出很多種模型，在測試階段對其取平均，有兩種取平均的方法：

假設有兩個模型m1,m2，輸出分別為O1,O2，最終輸出為O

?1、mixture

　　O = （O1+O2) / 2

2、product (geometric mean)

　　O = sqrt( O1*O2 )

以上這兩種方法都是非常耗時的，我們使用一種挖的方法，即對模型的輸出乘以0.5（假設dropout的概率是0.5），如果僅包含一個隱含結點，那么這種方法與geometric mean結果相同，反之，也可以很好的近似。

如果dropout的概率是0.5，那么就對所有輸出乘以0.5，

dropout是在每一輪的權重調整時（backpropagation時）在隱含層以一定的概率舍棄某些神經元（一般取0.5），因此每個神經元只以上一層的一部分神經元相關，即隱含層每個神經元相當于單獨訓練，即每個神經元模型獨立。

1.3 對輸入層的dropout

　　以上講的是如何在隱含層做dropout，其實也可以在輸入層做dropout，這就是前面提到的denoising策略，只是我們以比較大的概率將輸入保留下來?。

?

1.4 denoising and dropout

• denoising用于輸入層，dropout用于隱含層
• denoising是用于無監(jiān)督訓練，dropout用于有監(jiān)督訓練，denoising可用于有監(jiān)督訓練的預訓練過程。
• 兩者都用來防止過擬合

二、實驗部分

本實驗使用deepLearnToolbox 工具包，將autoencoder模型使用dropout前后的結果進行比較。

dropout并沒有明顯的降低誤差率，可能需要調參吧。。作者在論文中的效果非常之明顯。

誤差率：

without dropout 0.18300?

with dropout : 0.144000

?

實驗主要代碼：

nn.dropoutFraction = 0.5; 用來設置dropout的百分比，一般0.5的效果最好。 load mnist_uint8; train_x = double(train_x(1:2000,:)) / 255; test_x = double(test_x(1:1000,:)) / 255; train_y = double(train_y(1:2000,:)); test_y = double(test_y(1:1000,:));%% //實驗一without dropout rand('state',0) sae = saesetup([784 100]); sae.ae{1}.activation_function = 'sigm'; sae.ae{1}.learningRate = 1 opts.numepochs = 10; opts.batchsize = 100; sae = saetrain(sae , train_x , opts ); visualize(sae.ae{1}.W{1}(:,2:end)');nn = nnsetup([784 100 10]);% //初步構造了一個輸入-隱含-輸出層網絡，其中包括了% //權值的初始化，學習率，momentum，激發(fā)函數類型，% //懲罰系數，dropout等nn.W{1} = sae.ae{1}.W{1};opts.numepochs = 10; % //Number of full sweeps through data opts.batchsize = 100; % //Take a mean gradient step over this many samples [nn, L] = nntrain(nn, train_x, train_y, opts); [er, bad] = nntest(nn, test_x, test_y); str = sprintf('testing error rate is: %f',er); disp(str)%% //實驗二：with dropout rand('state',0) sae = saesetup([784 100]); sae.ae{1}.activation_function = 'sigm'; sae.ae{1}.learningRate = 1;opts.numepochs = 10; opts.bachsize = 100; sae = saetrain(sae , train_x , opts ); figure; visualize(sae.ae{1}.W{1}(:,2:end)');nn = nnsetup([784 100 10]);% //初步構造了一個輸入-隱含-輸出層網絡，其中包括了% //權值的初始化，學習率，momentum，激發(fā)函數類型，% //懲罰系數，dropout等 nn.dropoutFraction = 0.5; nn.W{1} = sae.ae{1}.W{1}; opts.numepochs = 10; % //Number of full sweeps through data opts.batchsize = 100; % //Take a mean gradient step over this many samples [nn, L] = nntrain(nn, train_x, train_y, opts); [er, bad] = nntest(nn, test_x, test_y); str = sprintf('testing error rate is: %f',er); disp(str)

?

參考文獻：

hintin dropout youtube視頻：https://www.youtube.com/watch?v=5t-mVtrFVyY

hogo dropout youtube視頻：https://www.youtube.com/watch?v=UcKPdAM8cnI

deepLearn Toolbox使用：?http://www.cnblogs.com/dupuleng/articles/4340293.html

hinton原文 Dropout:?A simple Way to prevent Neural Networks from Overfitting

?

from:?http://www.cnblogs.com/dupuleng/articles/4341265.html

總結

以上是生活随笔為你收集整理的深度学习Deep Learning: dropout策略防止过拟合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。