1 引言
在ML中存在两类严重的问题：过拟合和学习时间开销大
当过拟合时，得到的模型会在训练集上有非常好的表现，但是对新数据 的预测结果会非常的不理想。为了解决过拟合问题，通常会采用训练多个模型来解决单模过拟合的问题。但又会带来时间开销大的问题。Dropout就很好的解决了这个问题，在单模内防止过拟合。对于时间开销大的地方是梯度下降，学习率衰减可以解决梯度下降中时间开销的问题。
Dropout是在训练过程中，随机地忽略部分神经元，即是在正向传播的过程中，这些被忽略的神经元对下游神经元的贡献暂时消失，在反向传播时，这些神经元也不会有任何权重的更新。
其他的具体介绍，可以转到深度学习中Dropout原理解析
2 Dropout使用技巧
（1）经过验证，隐含节点Dropout率等于0.5的时候最佳，此时Dropout随机生成的网络结构最多。Dropout也可以用在输入层，作为一种添加噪声的方法。输入层设为更接近1时，使得输入变化不会太大，比如0.8。
（2）通常在网络中Dropout率为0.2~0.5。0.2是一个很好的起点，太低的概率产生的作用有限，太高的概率可能导致网络的训练不充分。
（3）当在较大的网络上使用Dropout时，可能会获得更好的表现，因为Dropout降低了模型训练过程中的干扰
（4）在输入层和隐藏层上使用Dropout。或者在网络的每一层都使用Dropout能有更佳的效果。
（5）使用较高的学习率，使用学习率衰减和设置较大的动量值，将学习率提高10~100倍，且使用0.9或0.99的动量值。
Keras中，momentum就是动量值
sgd = SGD(lr=0.1,momentum=0.8,decay=0.0,nesterov=False)
（6）限制网络权重的大小，打的学习率可能导致非常大的网络权重，对网络权重大小进行约束，例如大小为4或5的最大范数正则化(Max-norm Regularizationi)。
Keras中，通过指定Dense中的kernel_constrain=maxnorm(x)来限制网络权重
参考资料：Dropout: A Simple Way to Prevent Neural Networks from Overfitting
3 Dropout的拓展R-Dropout
（1）简介
简单来说就是模型中加入dropout，在训练阶段的预测阶段，用同样的数据预测两次，去追求两次的结果尽可能接近，这种接近体现在损失函数上。虽然是同样的数据，但是因为模型中Dropout是随机丢弃神经元，会导致两次丢弃的神经元不一样，从而预测的结果也会不一样。R-Dropout思想就是去实现控制两次预测尽量保持一致，从而去优化模型。除了在NLP领域，其他的NLU、NLG、CV的分类等多种任务上都对R-Drop做了对比实验，大部分实验效果都称得上“明显提升”。
具体比较详细的讲解，参考
- 前沿重器[15] | R-Dropout——一次不行就两次
- 又是Dropout两次！这次它做到了有监督任务的SOTA
- R-Drop: Regularized Dropout for Neural Networks
（2）使用方法
和普通的Dropout方法不同，有封装的API可以一行代码使用。R-Dropout的使用需要，自定义模型的输入和损失函数。举例如下，参考NLP 中Pytorch 实现R-Dropout
# define your task model, which outputs the classifier logits
model = TaskModel()
def compute_kl_loss(self, p, q pad_mask=None):
p_loss = F.kl_div(F.log_softmax(p, dim=-1), F.softmax(q, dim=-1), reduction='none')
q_loss = F.kl_div(F.log_softmax(q, dim=-1), F.softmax(p, dim=-1), reduction='none')
# pad_mask is for seq-level tasks
if pad_mask is not None:
p_loss.masked_fill_(pad_mask, 0.)
q_loss.masked_fill_(pad_mask, 0.)
# You can choose whether to use function "sum" and "mean" depending on your task
p_loss = p_loss.sum()
q_loss = q_loss.sum()
loss = (p_loss + q_loss) / 2
return loss
# keep dropout and forward twice
logits = model(x)
logits2 = model(x)
# cross entropy loss for classifier
ce_loss = 0.5 * (cross_entropy_loss(logits, label) + cross_entropy_loss(logits2, label))
kl_loss = compute_kl_loss(logits, logits2)
# carefully choose hyper-parameters
loss = ce_loss + α * kl_loss
