这意味着您随机选择 40% 的神经元并将它们的权重设置为零以进行前向和后向传递，即一次迭代。

看看这里的一些原因和好处。

在这里查看标准 Dropout 的所有细节。重要的是要注意剩余的权重通常由 value 缩放p，以保持权重的预期平均值在多次迭代中大致一致。不同的深度学习框架在不同的不同点缩放权重，但原因相同。

从相关的 Keras 文档中：

Dropout 包括在训练期间的每次更新时将输入单元的分数率随机设置为 0，这有助于防止过度拟合。

Dropout，顾名思义，随机选择和拒绝（drop off）一些层神经元，由此实现了一个集成效果（由于随机选择——每次不同的神经元被去激活，每次不同的网络预测）。

它有助于防止过度拟合（就像集成一样）。

具体概率为 0.4 表示每次忽略 40% 的层节点。