概述
Dropout 是一种正则化技巧，它在每个训练步骤中随机关闭一小部分神经元，迫使网络构建冗余、鲁棒的表示。它成为深度学习中对抗过度拟合最有影响力的技术之一。
Dropout 和随机正则化位于核心 AI 工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
Dropout 由 Hinton 团队于 2012 年左右提出，解决了大型网络的一个关键弱点：神经元可以共同适应，学习以仅适用于训练数据的方式修复彼此的错误。在训练期间的每次前向传递中，dropout 都会以某个概率 p（在密集层中通常为 0.5）随机将每个神经元的输出设置为零。由于任何神经元都可能消失，因此网络不能依赖脆弱的伙伴关系，并且必须在许多单元之间传播有用的信息。这就像训练一个共享权重的稀疏网络的巨大集合。在测试时，dropout 被关闭，并使用完整的网络，并缩放激活值，以便预期的输出与训练相匹配。结果通常是更好的泛化，但代价是训练时间稍长。
技术洞察
在训练期间，每个单元通过随机二进制掩码保持概率（1 减 p），因此每批都会对不同的子网络进行采样。现代框架使用反向 dropout：在训练时幸存的激活除以 (1 - p)，因此推理时不需要缩放。这种随机性会注入噪音，阻碍共同适应，并在指数数量的共享权重子网络上近似平均，这是一种廉价的集成形式。
掌握 Dropout 和随机正则化
Dropout 是一种正则化技巧，它在每个训练步骤中随机关闭一小部分神经元，迫使网络构建冗余、鲁棒的表示。它成为深度学习中对抗过度拟合最有影响力的技术之一。 Dropout 和随机正则化位于核心 AI 工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将 Dropout 和随机正则化视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 Dropout 和随机正则化的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在 PyTorch 或 Keras 中的图像或文本分类器的密集层之间添加 p 约为 0.5 的 Dropout 层
Transformer 模型在预训练期间将 dropout 应用于注意力权重和前馈激活
蒙特卡罗 dropout，其中 dropout 在推理时保持不变，以产生医疗或安全关键预测的不确定性估计
随机深度 (DropPath) 随机跳过残差块以规范 ResNet 和视觉 Transformer 等非常深的网络
实施模式
Dropout 和随机正则化实践
在 PyTorch 或 Keras 中的图像或文本分类器的密集层之间添加 p 约为 0.5 的 Dropout 层。
在 PyTorch 或 Keras 团队中的图像或文本分类器的密集层之间添加 p 约为 0.5 的 Dropout 层，当他们预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Dropout 和随机正则化实践
Transformer 模型在预训练期间将 dropout 应用于注意力权重和前馈激活。
Transformer 模型在预训练期间将 dropout 应用于注意力权重和前馈激活。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
Dropout 和随机正则化实践
蒙特卡洛退出，退出在推理中保持不变，以产生医疗或安全关键预测的不确定性估计。
蒙特卡罗退出，退出在推理过程中保持不变，以产生医疗或安全关键预测的不确定性估计。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
Dropout 和随机正则化实践
随机深度 (DropPath) 随机跳过残差块来规范 ResNet 和视觉 Transformer 等非常深的网络。
随机深度 (DropPath) 随机跳过残差块来规范 ResNet 和视觉转换器等非常深的网络。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录 Dropout 和随机正则化在哪些方面有帮助，以及哪些更简单的方法更好。
记录 Dropout 和随机正则化在哪些方面有帮助，以及哪些更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。