神经网络设置dropout

### 如何在神经网络中配置和使用Dropout防止过拟合

#### Dropout的作用机制
Dropout作为一种有效的正则化技术，在训练阶段随机丢弃一部分神经元及其连接，以此减少模型对特定训练样本的依赖并增强泛化能力[^3]。

#### 实现方式
在实际应用中，可以通过指定保持概率（即保留神经元的概率），来控制每轮迭代中有多少比例的神经元会被暂时移除。对于大多数框架而言，默认情况下该比率设为0.5，意味着一半的神经元会在每次前向传播期间被禁用。

#### 使用PaddlePaddle实现Dropout
下面给出一段基于PaddlePaddle库构建含Dropout层的简单全连接神经网络的例子：

import paddle
from paddle.nn import Linear, Dropout

class SimpleNet(paddle.nn.Layer):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = Linear(in_features=784, out_features=256)
        self.dropout = Dropout(0.5)  # 设置drop rate为0.5
        self.fc2 = Linear(in_features=256, out_features=10)

    def forward(self, x):
        x = self.fc1(x)
        x = paddle.relu(x)
        x = self.dropout(x)          # 应用dropout
        x = self.fc2(x)
        return x

上述代码展示了如何定义一个简单的两层感知机，并在其隐藏层之后加入了一个`Dropout`模块以帮助缓解潜在的过拟合现象。

需要注意的是，在评估模式下不应该激活Dropout功能；因此当切换至推理或验证阶段时，记得调用`.eval()`方法关闭这一特性，而后再恢复到训练状态可再次启用它[^5]。