dropout 是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，
可以用来防止过拟合，layers 模块中提供了 tf.layers.dropout() 方法来实现这一操作，定义在 tensorflow/python/layers/core.py。下面我们来说明一下它的用法。
dropout( inputs, rate=0.5, noise_shape=None, seed=None, training=False, name=None)
- inputs：必须，即输入数据。
- rate：可选，默认为 0.5，即 dropout rate，如设置为 0.1，则意味着会丢弃 10% 的神经元。
- noise_shape：可选，默认为 None，int32 类型的一维 Tensor，它代表了 dropout mask 的 shape，dropout mask 会与 inputs 相乘对 inputs 做转换，例如 inputs 的 shape 为 (batch_size, timesteps, features)，但我们想要 droput mask 在所有 timesteps 都是相同的，我们可以设置 noise_shape=[batch_size, 1, features]。
- seed：可选，默认为 None，即产生随机熟的种子值。
- training：可选，默认为 False，布尔类型，即代表了是否标志位 training 模式。
- name：可选，默认为 None，dropout 层的名称。
返回： 经过 dropout 层之后的 Tensor。
)
