---
title: "隨機丟棄（Dropout）"
slug: dropout
language: zh-TW
source: https://aiterms.tw/terms/dropout
updated_at: 2026-04-29
tags: [深度學習, 模型訓練, 神經網路, 最佳化]
ipas_term: true
---

# 隨機丟棄（Dropout）

> **你怕模型只記住訓練題，不會做新題嗎？**
> 你可以把 隨機丟棄 想成防止模型訓練過頭的護欄。
> 它其實就是用訓練流程上的控制，讓模型不要只會背題目而不會泛化。
> 隨機丟棄是一種訓練技巧，透過隨機關閉部分神經元，避免網路過度依賴單一路徑，提升模型的泛化能力。當資料不夠多、模型又很強時，這類方法特別有價值。

### 容易混淆
> **vs L1/L2 正則化**
> L1/L2 正則化像「限制體重」來避免過胖，它會懲罰過大的權重；Dropout 則像「限制食量」來避免挑食，它隨機讓神經元休息，迫使網路學習更穩健的特徵，減少對單一特徵的過度依賴。
>
> **深度學習 vs 過擬合**
> 深度學習 比較像同一類問題裡的近鄰參考，過擬合 則更像把資料或結構往更深一層整理，兩者的用法不一樣。
>
> **最關鍵的區別：** 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。

### 記住這句就好
> 訓練時隨機關掉一部分神經元，逼模型別偷懶

### 實際案例
> **案例一：隨機丟棄 防止過擬合**
> 模型開始只記訓練資料時，這類方法就能把它拉回來，讓驗證表現不要掉太快。
>
> **案例二：隨機丟棄 控制訓練節奏**
> 當驗證損失不再改善，提早停下或隨機丟棄部分神經元，都能讓模型別在錯的方向硬撐。

### 深入了解
> 這類方法的共同目標，是讓模型在訓練集和驗證集之間保持平衡
> Dropout 是在模型內部做隨機遮罩，Early Stopping 是在訓練流程上踩煞車
> Dice Loss 也是一種訓練目標設計，會影響模型把注意力放在哪裡
>
> 隨機丟棄 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。

### 情境判斷
> **Q1（直覺題）：** 模型開始背題不會泛化時，你會想先踩哪種煞車？
> → 可以先考慮 Dropout 或 Early Stopping 這類訓練控制。
>
> **Q2（判斷題）：** 訓練越久就一定越好嗎？
> → 看情況，因為有時候再訓練只會讓驗證表現變差，這時候應該停下來或調整正則化。
>
### iPAS 考題
> **Q：Dropout 的目的主要是什麼？**
> 主要是防止模型太依賴某幾條神經元路徑，逼它學得更穩健，減少過擬合。
>
> **Q：Dropout 在考題裡常怎麼出？**
> 常考訓練時和推論時的差異，以及它和 L1/L2 正則化、Early Stopping 的搭配關係。

### 常見問題
> **Q：隨機丟棄如何影響模型的訓練速度？**
> 隨機丟棄會略微增加訓練時間，因為每次迭代都需要處理一個簡化的網路。然而，由於它能有效防止過度擬合，因此可以更快地達到目標準確率，從而縮短整體訓練時間。
>
> **Q：丟棄率 *p* 應該如何選擇？**
> 丟棄率 *p* 的選擇取決於具體的應用場景和模型結構。通常，建議從 0.2 到 0.5 之間開始嘗試，並根據驗證數據上的表現進行調整。對於較大的網路，可以使用較高的丟棄率。
>
> **Q：隨機丟棄是否適用於卷積神經網路（CNN）？**
> 是的，隨機丟棄也適用於卷積神經網路。在 CNN 中，Dropout 通常應用於全連接層，以防止過度擬合。也可以在卷積層之後使用，但效果可能不如全連接層明顯。
>
### 相關術語
> - **深度學習**：讀完這個再看它，可以把上下游概念串起來
> - **過擬合**：讀完這個再看它，可以把上下游概念串起來
> - **正則化**：讀完這個再看它，可以把上下游概念串起來
> - **批次正規化**：讀完這個再看它，可以把上下游概念串起來
> - **隨機丟棄**：讀完這個再看它，可以把上下游概念串起來

---

來源：https://aiterms.tw/terms/dropout
快查頁：https://aiterms.tw/terms/dropout
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-dropout