两者都使用实际上非常有意义。盖尔等人。提供了一个关于如何通过贝叶斯透镜解释 dropout 的很好的理论。简而言之，如果您使用 dropout + 正则化，您将隐含地最小化与贝叶斯神经网络 (BNN) 相同的损失，在该网络中，您可以在给定训练数据的情况下学习网络权重的后验分布。

您可以将完全贝叶斯方法视为在从 MLE 通过 MAP 到贝叶斯回归的道路上更进一步，因为前两者仅提供点估计，而后者提供对整个后验分布的访问。

如果你用 dropout 近似 BNN，引入的噪声将起到从后验分布中抽取样本的作用。正则化将扮演先验的角色，这与您在 MAP 上下文中给出的解释相同。但是，我不认为所代表的先验是相同的。

无论哪种方式，先验都有助于调节后验的“传播”。如果你选择一个大的正则化参数，它对应一个窄的先验分布，模型也会减少后验分布的方差。

如果你只需要一个带有 dropout 和正则化的简单 ANN，你可能不会太在意训练后使用近似后验，但我认为这仍然是一个很好的视角。