dropout 是神经网络最有效也最常用的正则化方法之一。在训练过程中随机将该层的一些输出特征舍弃（设置为0）。 dropout 比率（dropout rate）是被设为 0 的特征所占的比例，通常在 0.2~0.5范围内。测试时没有单元被舍弃，而该层的输出值需要按 dropout 比率缩小。
例： 假设矩阵layer_output， 其 形 状 为 (batch_size, features)。训练时，我们随机将矩阵中一部分值设为 0。
layer_output *= np.random.randint(0, high=2, size=layer_output.shape) # 训练时，舍弃50%的输出单元
测试时，我们将输出按 dropout 比率缩小。这里我们乘以 0.5（因为前面舍弃了一半的单元）。
layer_output *= 0.5 # 测试时
这样做麻烦，可以将两个运算都在训练时进行，测试时输出保持不变。

layer_output *= np.random.randint(0, high=2, size=layer_output.shape) # 训练时
layer_output /= 0.5 # 注意，是成比例放大而不是成比例缩小

# 向 IMDB 网络中添加 dropout
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(1, activation='sigmoid'))

防止神经网络过拟合的常用方法

• 获取更多的训练数据
• 减小网络容量
• 添加权重正则化
• 添加 dropout