转载自：https://blog.csdn.net/huahuazhu/article/details/73649389?utm_source=copy
一、 Dropout原理简述：
tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数，它一般用在全连接层。
Dropout就是在不同的训练过程中随机扔掉一部分神经元。也就是让某个神经元的激活值以一定的概率p，让其停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。但是它的权重得保留下来（只是暂时不更新而已），因为下次样本输入时它可能又得工作了。示意图如下：
但在测试及验证中：每个神经元都要参加运算，但其输出要乘以概率p。
二、tf.nn.dropout函数说明
tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None)
上面方法中常用的是前两个参数：
第一个参数x：指输入
第二个参数keep_prob: 设置神经元被选中的概率,在初始化时keep_prob是一个占位符, keep_prob = tf.placeholder(tf.float32) 。tensorflow在run时设置keep_prob具体的值，例如keep_prob: 0.5
第五个参数name：指定该操作的名字。
三、使用举例：
1、dropout必须设置概率keep_prob,并且keep_prob也是一个占位符,跟输入是一样的
[python] view
plain copy
- keep_prob = tf.placeholder(tf.float32)
2、train的时候才是dropout起作用的时候,train和test的时候不应该让dropout起作用
[python] view
plain copy
- sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})
[python] view
plain copy
- train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})
- test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})
本文来自 huahuazhu 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/huahuazhu/article/details/73649389?utm_source=copy