有一种常用手段叫做dropout，也是用来防止过拟合的。
一 dropout原理
有一种常用的过拟合的方法叫dropout。dropout的意思是，在训练过程中，每次随机选择一部分节点不要去“学习”。
这样做得原理是什么？
因为从数据的分析来看，数据本身是不可能很纯净的，即任何一个模型不能100%把数据完全分开，在某一类中一定会有一些异常数据，过拟合的问题恰恰把这些异常数据当成规律来学习。对于模型来说，我们希望它能够有一定的“智商”，把异常的数据过滤掉，只关心有用的规律数据。
异常数据的特点是，它与主流样本中的规律都不同，但是量非常少，相当于在一个样本中出现的概率比主流数据出现的概率低很多。我们就是利用这个特性，通过在每次模型中忽略一些节点的数据学习，将小概率的异常数据获得学习的机会降低，这样这些异常数据对模型的影响就会更小了。
注意：由于dropout让一部分节点不去“学习”，所以在增加模型的泛化能力的同时，会使学习速度降低，是模型不太容易“学成”，所以在使用的过程中需要合理地调节到底丢弃多少节点，并不是丢弃的节点越多越好。
二 TensorFlow中的dropout
在TensorFlow中dropout的函数原型如下：
def dropout(x,keep_prob,noise_shape=None,seed=None,name=None)
其中参数的含义如下：
x：输入的模型节点
keep_prob：保持率。如果为1，则代表全部进行学习；如果为0.8，则代表丢弃20%的节点，只让80%的节点去学习。
noise_shape：代表指定的x中，哪些维度可以使用dropout技术。为None时，表示所有维度都使用dropout技术，也可以将某个维度标志位1，来代表该维度使用dropout技术。例如：x的形状为[n,len,w,ch],使用nose_shape未[n,1,1,ch],这表明会对x中的第二维度len和第三维度进行drop。
seed：随机选取节点的过程中随机数种子值。
注意：drop改变了神经网络的结构，它仅仅是属于训练时的方法，所以一般在进行测试时，要将dropout的keep_prob变为1，代表不需要进行丢弃，否则会影响模型的正常输出。