基于matlab的神经网络dropout层

function [ymask] = vl_nndropout（xvarargin）
%VL_NNDROPOUT CNN dropout.
%   [YMASK] = VL_NNDROPOUT（X） applies dropout to the data X. MASK
%   is the randomly sampled dropout mask. Both Y and MASK have the
%   same size as X.
%
%   VL_NNDROPOUT（X ‘rate‘ R） sets the dropout rate to R. Rate is defined
%   as a probability of a variable *not* to be zeroed （i.e. it is the
%   expected value of MASK）.
%
%   [DZDX] = VL_NNDROPOUT（X DZDY ‘mask‘ MASK） computes the
%   derivatives of the blocks projected onto DZDY. Note that MASK must
%   be specified in order to compute the derivative consistently with
%   the MASK randomly sampled in the forward pass. DZDX and DZDY have
%   the same dimesnions as X and Y respectivey.
%
%   Note that in the original paper on dropout at test time the
%   network weights for the dropout layers are scaled down to
%   compensate for having all the neurons active. In this
%   implementation the dropout function itself already does this
%   compensation during training. So at test time no alterations are
%   required.

% Copyright （C） 2014-16 Andrea Vedaldi Karel Lenc.
% All rights reserved.
%
% This file is