让我们从正常的 dropout开始，即仅在训练时 dropout。这里 dropout 用作正则化以避免过度拟合。在测试期间，不应用 dropout；相反，所有节点/连接都存在，但权重会相应调整（例如乘以保持率，即1 - dropout_ratio）。测试期间的这种模型可以理解为神经网络集合的平均值。

请注意，对于正常 dropout，在测试时预测是确定性的。如果没有其他随机来源，给定一个测试数据点，模型将始终预测相同的标签或值。

对于Monte Carlo dropout，在训练和测试时都应用了 dropout。在测试时，预测不再是确定性的，而是取决于您随机选择保留的节点/链接。因此，给定相同的数据点，您的模型每次都可以预测不同的值。

因此，Monte Carlo dropout 的主要目标是生成随机预测并将它们解释为来自概率分布的样本。用作者的话来说，他们称之为贝叶斯解释。

示例：假设您使用 Monte Carlo dropout训练了一个狗/猫图像分类器。如果你一次又一次地向分类器提供相同的图像，分类器可能有70% 的时间预测狗，而预测猫的时间有 30%。因此，您可以用概率的方式解释结果：这张图片以 70% 的概率显示一只狗。