dropout layer的目的是为了防止CNN 过拟合,详情见Dropout: A Simple Way to Prevent Neural Networks from Overfitting。在训练过程中，将神经网络进行采样，也就是随机的让神经元激活值为0，而在测试时不再采用dropout。通常设置随机采样概率为0.5，也可以通过验证集来确定采样概率。
Dropout网络
1.前向传播
训练阶段：前向传播给定每个神经元一个随机值（0~1），假定设置采样阈值为0.5，如果该神经元对应的随机值小于0.5，则设置该神经元为0，否则设置该神经元值为2乘以原值，（1/0.5），并把所有神经元对应的随机值保存下来，在后向传播是需要使用。
测试阶段：无需dropout。
2.反向传播
读取在前向传播记录的随机值，同样的操作：该梯度值对应的随机值小于0.5，则设置该梯度值为0，否则设置该梯度值值为2乘以原值，（1/0.5）。
