我們都知道dropout對於防止過擬合效果不錯
dropout一般用在全連線的部分，卷積部分一般不會用到dropout,輸出曾也不會使用dropout，適用範圍[輸入，輸出)

1. tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
2. tf.nn.rnn_cell.DropoutWrapper(rnn_cell, input_keep_prob=1.0, output_keep_prob=1.0)

普通dropout

def dropout(x, keep_prob, noise_shape=None, seed=None, name=None)
 

#x: 輸入
#keep_prob: 名字代表的意思, keep_prob 引數可以為 tensor，意味著，訓練時候 feed 為0.5，測試時候 feed 為 1.0 就 OK。 
#return：包裝了dropout的x。訓練的時候用，test的時候就不需要dropout了
#例：
w = tf.get_variable("w1",shape=[size, out_size])
x = tf.placeholder(tf.float32, shape=[batch_size, size])
x = tf.nn.dropout(x, keep_prob=0.5)
y = tf.matmul(x,w)
 

rnn中的dropout

def rnn_cell.DropoutWrapper(rnn_cell, input_keep_prob=1.0, output_keep_prob=1.0):
#例
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)
lstm_cell = tf.nn.rnn_cell.DropoutWrapper(lstm_cell, output_keep_prob=0.5)
#經過dropout包裝的lstm_cell就出來了