据我了解 DNN 的 dropout 正则化是：
退出：
首先，我们从 DNN 中随机删除神经元，只保留输入和输出相同。然后我们基于一个mini-batch进行前向传播和后向传播；学习这个小批量的梯度，然后更新权重和偏差——这里我将这些更新的权重和偏差表示为 Updated_Set_1。
然后，我们将 DNN 恢复到默认状态并随机删除神经元。现在我们执行前向和后向传播并找到一组新的权重和偏差，称为 Updated_Set_2。这个过程一直持续到 Updated_Set_N ~ N 代表小批量的数量。
最后，我们根据总的 Updated_Set_N 计算所有权重和偏差的平均值；例如，从 Updated_Set_1 ~ Updated_Set_N。这些新的平均权重和偏差将用于预测新的输入。
我只是想确认我的理解是正确还是错误。如果错了，请分享你的想法并教我。先感谢您。