Dropout是一种常用的正则化方法，用于减少神经网络的过拟合现象。它的基本思想是在训练神经网络的过程中，随机地将一部分神经元的输出值置为0，从而使得神经网络的结构变得不稳定，从而强制网络学习到更加鲁棒的特征表示。
具体来说，Dropout在训练过程中，对于每个神经元以一定的的概率进行保留或者丢弃。这样可以减少特征检测器（隐层节点）间的相互作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况。这样可以迫使网络去学习更加鲁棒的特征，在其它的神经元的随机子集中也存在。
Dropout可以作为训练深度神经网络的一种trick供选择。在每个训练批次中，通过忽略一半的特征检测器（让一半的隐层节点值为0），可以明显地减少过拟合现象。这种方式可以减少特征检测器（隐层节点）间的相互作用，检测器相互作用是指某些检测器依赖其他检测器才能发挥作用。
