【机器学习300问】75、如何理解深度学习中Dropout正则化技术？

一、Dropout正则化的原理是什么？

        Dropout（随机失活）正则化是一种用于减少神经网络中过拟合现象的技术。Dropout正则化的做法是：

        在训练过程中的每次迭代中，随机将网络中的一部分权重临时"丢弃"（即将它们的值设为0），确保它们不参与前向传播和后向传播。换句话说，每个神经元有一定的概率被暂时从网络中移除。通过这种方式，网络的每次训练迭代都是在一种略微不同的架构下完成的。这相当于在训练一个由多个不同网络组成的大型网络组合。

        通常，丢弃的概率（dropout rate）是一个预先设定的值，如0.5，意味着在每一轮训练中，大约有一半的隐藏层神经元会被暂时忽略。有时候也反过来设置一个保留概率（keep-prob）操作和上面类似。

二、如何具体实现Dropout？

用下面这幅图为例来详细说明一下Dropout的步骤

 （1）确定Dropout率

        dropout_rate是一个超参数，表示在每次训练迭代中神经元被丢弃的概率。设定为 p，通常在0.2到0.5之间。

keep_prob = 1 - dropout_rate

（2）生成随机的Dropout掩码

        Dropout最常用的方法，即inverted dropout（反向随机失活），首先要定义Dropout掩码向量dropout_mask。然后看它是否小于某数，我们称之为keep_prob，keep_prob是一个具体数字，而本例将它设为0.8，它表示保留某个隐藏单元的概率，此处keep-prob等于0.8，它意味着消除任意一个隐藏单元的概率是0.2，它的作用就是生成随机矩阵。

dropout_mask = np.random.rand(activations.shape[0], activations.shape[1]) < keep_prob

        接下来要做的就是从某一层中获取激活函数，这里我叫它activations，activations其中含有要计算的激活函数。

（3）应用掩码

        将activations和dropout_mask相乘，它的作用就是让dropout_mask中所有等于0的元素（输出），而各个元素等于0的概率只有20%，乘法运算最终把dropout_mask中相应元素输出，即让dropout_mask中0元素与activations中相对元素归零。

activations *= dropout_mask  # 将神经元的输出乘以0或1

（4）Dropout缩放

        在测试或使用神经网络进行预测时，通常不会应用Dropout。但是，为了平衡那些在训练时被“保留下来”的权重，我们对网络中每个权重乘以保留（未丢弃）概率，或者是在测试时使用所有权重的平均值。这种方法称为“Dropout缩放”，它确保了训练时和测试时网络的表现是一致的。

activations /= keep_prob     # 缩放未丢弃的神经元的输出

（5）总结

         将上面的步骤总结起来，可以写成这样： 

def apply_dropout(activations, dropout_rate):
    # Step 1: 确定保留的神经元的概率
    keep_prob = 1 - dropout_rate
    
    # Step 2: 生成随机的Dropout掩码
    dropout_mask = np.random.rand(activations.shape[0], activations.shape[1]) < keep_prob
    
    # Step 3: 应用掩码并缩放
    activations *= dropout_mask  # 将神经元的输出乘以0或1
    activations /= keep_prob     # 缩放未丢弃的神经元的输出
    
    return activations

        需要特别说一下的是，不同层的keep_prob是可以不同的，因为不同层的W权重矩阵的大小不同，一般我们担心这些层更容易发生过拟合，对很大的权重矩阵设置比较低的keep_prob假设是0.5。对于其它层，过拟合的程度可能没那么严重，它们的keep-prob值可能高一些，可能是0.7。如果在某一层，我们不必担心其过拟合的问题，那么keep-prob可以为1意味着保留所有单元，并且不在这一层使用dropout。

三、为什么Dropout会起作用？它是怎么解决过拟合的？

        这种随机性的丢弃操作带来了几个重要的好处。

（1）抑制神经元对单一特征的过度依赖

        如果某些神经元对应的权重值过大，它们对输入信号的响应将显著超过其他神经元，使得模型在做决策时过度依赖这些神经元所代表的特征，形成了对单一特征的过度敏感。        

        Dropout通过随机失活隐藏层神经元，打破了神经元对单一特征的固定依赖关系，迫使模型在不同训练迭代中学习不同的特征组合，降低了对特定特征的敏感度。

（2）抑制神经元之间过度依赖

        在没有Dropout的情况下，某些神经元可能会形成过于紧密的协作关系，对训练数据中的特定模式过拟合，导致模型在遇到未见过的数据时表现不佳。

        Dropout通过随机移除部分神经元，迫使剩余神经元独立地学习更通用、更稳健的特征表示，降低模型对个别特征或特征组合的敏感度，强制网络在训练时不能过度依赖任何一组特定的神经元，因为特定的神经元随时有可能被失活。从而减轻过拟合现象。

（3）模拟集成学习

        Dropout过程可以被视为对神经网络进行集成学习的一种近似。由于每次前向传播时神经元的失活是随机的，网络在训练过程中实际上经历了大量不同的子网络配置。这些子网络可以看作是原始网络的多个变体，每个变体以不同的方式对输入数据进行处理。

        尽管在测试阶段所有神经元都会恢复工作，但经过Dropout训练的网络权重实际上是众多子网络权重的加权平均，类似于集成学习中的模型平均，有助于减少模型的方差，提高泛化性能。