dropout是CNN（卷积神经网络）中的一个trick，能防止过拟合。
关于dropout的详细内容，还是看论文原文好了：
Hinton, G. E., et al. (2012). "Improving neural networks by preventing co-adaptation of feature detectors." arXiv preprint arXiv:1207.0580.
我这里简单理解为：dropout相当于同时搞了多个CNN网络，然后取它们的平均。但是形式上呢，我们只看到一个CNN网络。那怎么平均呢？比如在某一个全连接层上搞dropout，每个mini-batch过来和回去的时候，都是仅仅使用部分神经元。被选中的神经元也不是“关系户”，而是凭运气按照概率被选中的，而且也不存在“垄断”情况，下次随机的时候就可能是其他神经元了。
那么dropout有啥理论依据吗？个人认为比较靠谱的说法是，dropoup相当于bagging的一个特例，每个样本只有一个mini-batch的数据。anyway，如果你理解随机森林，那么你应该懂我的意思，这明显是用来防止过拟合的啊！
论文中的一些说法，总结下：
bagging->一个特例是dropout
dropout->一个特例是naive bayes
