在Keras中，Dropout层用于防止过拟合。在训练过程中，Dropout层会随机地将一定比例的输入单元的权重设为0，从而强制网络学习多个独立的表示。这样可以减少神经网络的复杂度，减少过拟合的风险，提高模型的泛化能力。dropout的主要原理是，在每次迭代时，dropout层都会随机忽略一部分的神经元，在训练的过程中，神经元以概率p被激活，以概率1-p被忽略，而在预测时，则会把所有神经元的输出乘以p，以保持其期望值不变。
