# reason why dropout could resolve overfitting
## the first: smaller neural network seems like it should have a regularizing effect(P52)
## the second: the perspective of a single unit
* the units' job 利用输入单元生成有意义的输出
* 因为有些输入神经元会被随机抛弃，所以，上图中紫色的神经元不可以依赖任何一个特征，因为每个特征都会被随机丢弃
* 所以，不会希望将太多权重放到任何一个特征上，因此，会得到较小的权重
## 留存率
* 对于不同的层可以设置不同的留存率
* 如果某层可能容易发声过拟合，可以设置一个较低的留存率
* 不容易发生过拟合的层可以设置较高的留存率或者设为1
* 缺点：交叉验证时参数很多
* 改进：某些层使用Dropout（相同的留存率），另一些层不使用
## 缺点
*代价函数不太明确，因为每次迭代都有一些神经元随机失活
* 因此，不能使用绘图（随着迭代次数增加错误率降低）的方法调错误了
标签：留存,ai,study,##,随机,Dropout,P52,神经元 From： https://www.cnblogs.com/heMing-H/p/17676838.html