全连接层加dropout层防止模型过拟合，提升模型泛化能力
卷积网络中参数较少，加入dropout作用甚微。然而，较低层的中加入dropout是仍然有帮助，因为它为较高的全连接层提供了噪声输入，从而防止它们过拟合。
一般对于参数较多的模型，效果更好
做法
1、其实Dropout很容易实现，源码只需要几句话就可以搞定了，让某个神经元以概率p，停止工作，其实就是让它的激活值以概率p变为0。比如我们某一层网络神经元的个数为1000个，其激活值为x1，x2……x1000，我们dropout比率选择0.4，那么这一层神经元经过drop后，x1……x1000神经元其中会有大约400个的值被置为0。
2、经过上面屏蔽掉某些神经元，使其激活值为0以后，我们还需要对向量x1……x1000进行rescale，也就是乘以1/(1-p)。如果你在训练的时候，经过置0后，没有对x1……x1000进行rescale，那么你在测试的时候，就需要对权重进行rescale：Wt = 1/(1-p) *W
参数选取
1.先dropout=0， 训练后得到模型的一些指标（比如:Accuracy）。比较train数据集和test数据集的指标的拟合情况。
2.过拟合：尝试下面的步骤。 欠拟合：调整模型的结构
3.dropout设置成0.5之间， 再次训练得到模型的一些指标。
4.如果过拟合明显好转，但指标也下降明显，可以尝试减少dropout（0.1~0.2）
5.如果过拟合还是严重，增加dropout（0.1~0.2）
6.重复上面的步骤多次，就可以找到理想的dropout值了