在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。dropout的工作原理是：我们网络在前向传播的时候，让某个神经元以一定的概率p停止工作，这样可以使模型泛化性更强，因为模型不能够只依赖于某些特定的特征来完成任务。下图展示了dropout的失活过程，它可以改变我们神经网络的连接模式。

dropout工作流程：训练阶段，以概率p对每个神经元进行随机失活，然后将数据输入该神经网络，对未失活的节点的权重与偏置进行训练。测试阶段，将所有神经元激活，但是其输出的结果要乘以(1-p)，p是其在训练阶段失活的概率。这样，在测试阶段，我们可以认为综合了很多个不同的模型进行投票，从而来防止单一模型容易产生过拟合的情况。