在Keras中，Dropout層用于防止過擬合。在訓練過程中，Dropout層會隨機地將一定比例的輸入單元的權重設為0，從而強制網絡學習多個獨立的表示。這樣可以減少神經網絡的復雜度，減少過擬合的風險，提高模型的泛化能力。dropout的主要原理是，在每次迭代時，dropout層都會隨機忽略一部分的神經元，在訓練的過程中，神經元以概率p被激活，以概率1-p被忽略，而在預測時，則會把所有神經元的輸出乘以p，以保持其期望值不變。
