每一個output的值都有prob的概率被保留，如果保留=input/ prob，否則變為0
dropout相當於一個過濾層，tensorflow不僅丟棄部分input，同時將保留下的部分適量地增加以試圖彌補梯度
1 inputs = tf.reshape(tf.range(40.), (2,4,5)) 2 t = tf.layers.dropout(inputs, rate=0.8, training=True) 3 with tf.Session() as sess: 4 print sess.run(inputs) 5 print sess.run(t) 6 """ 7 [[[ 0. 1. 2. 3. 4.] 8 [ 5. 6. 7. 8. 9.] 9 [10. 11. 12. 13. 14.] 10 [15. 16. 17. 18. 19.]] 11 [[20. 21. 22. 23. 24.] 12 [25. 26. 27. 28. 29.] 13 [30. 31. 32. 33. 34.] 14 [35. 36. 37. 38. 39.]]] 15 [[[ 0. 0. 10. 15. 0.] 16 [ 25. 0. 35. 0. 45.] 17 [ 50. 0. 60. 65. 0.] 18 [ 0. 0. 0. 90. 0.]] 19 [[ 0. 105. 0. 0. 120.] 20 [125. 0. 0. 0. 0.] 21 [ 0. 0. 0. 0. 0.] 22 [ 0. 180. 0. 0. 0.]]] 23 """