Dropout是一種在神經網路訓練過程中常用的正則化技術，其核心思想是在每次疊代中隨機地「丟棄」一部分神經元，從而防止模型對特定神經元產生依賴。
在訓練階段，Dropout按照一定的機率（如50%）將神經元的輸出設定為0，這樣在每次訓練時相當於從全連線網路中隨機移除一部分神經元，迫使模型學習更泛化的特徵。這種隨機性有助於減少神經元之間的共適應性，提高模型的泛化能力，主要作用包括：
防止過擬合。通過減少神經元之間的依賴關係，Dropout有助於解決過擬合問題，特別是在訓練數據有限的情況下。
增加模型的魯棒性。每次訓練時隨機丟棄不同的神經元，可以看作是對訓練數據進行了多次採樣，從而增加了模型的魯棒性。
類似於集成學習。每次訓練的子網路不同，相當於對多個子網路的預測進行集成，可以降低模型的方差，進一步提高泛化性能。
在測試階段，所有神經元都被使用，但通常會對神經元的輸出進行縮放，以補償訓練時丟棄神經元的影響。儘管Dropout主要套用於全連線層，它在卷積網路中的套用較少，因為卷積網路本身具有一定的稀疏性。