我观察到，在5个Convolutional2D层之后各添加一个
SpatialDropout2D(0.2)层后，训练和验证误差在最初几个epochs内的表现明显优于没有这些Dropout层的相同网络（其他条件相同）。这似乎有些违反直觉，因为我原本预期如果中间结果被随机丢弃，优化过程会更难找到一个最小值。
那么，我的观察是否合理呢？如果合理，又是为什么呢？
回答：
一般来说，dropout是用来对抗过拟合的一种技术。它预期会降低测试误差，而不是训练误差。相反，当模型不再过拟合时，训练误差可能会上升。
我建议阅读深度学习教科书第7.12节，以了解更多关于dropout的信息。
