1、类似于模型平均的作用。
在深度学习模型中，一般可以多训练几个模型，然后综合这些模型的结果来进行投票来减少单个模型的过拟合。dropout也可以看作成训练了n个不同连接模式的模型(每个step训练的模型结构都不一样)，然后将这些模型进行平均来防止过拟合。

2、减少神经元之间复杂的共适应关系
因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现。（这样权值的更新不再依赖于有固定关系的隐含节点的共同作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况）。 迫使网络去学习更加鲁棒的特征 （这些特征在其它的神经元的随机子集中也存在）。也就是说，我们的神经网络做预测时，不该过分的依赖于某个特定的特征，即使该特征被失活，神经网络也需要做出正确预测。

3、随机性的添加¶
dropout具有随机性，使得网络在每次迭代中dropout的神经元不同，因此，可以将神经元之间复杂的联系降低，使得学习到的网络更加鲁棒。且使得优化过程中，可能会避免参数在局部最优处震荡，提高性能。