dropout参数是指在训练神经网络时，随机将一些神经元的输出设置为0的比例。通过dropout可以避免过拟合现象，并提高网络的泛化能力。dropout参数的设置方法如下：
初始设定：在网络的训练过程中，初始设定一个dropout的比例，一般为0.5或0.6。这个比例表示在每一层中随机丢弃的神经元的比例。
模型选择：根据具体的问题和数据集的大小选择合适的模型。如果数据集比较大，网络较深，则可以选择较低的dropout比例。如果数据集较小，网络较浅，则可以选择较高的dropout比例。
调参：在训练过程中，可以通过交叉验证等方法来选择最优的dropout比例。通过尝试不同的dropout比例，观察模型在验证集上的性能，选择使模型泛化能力最好的dropout比例。
迭代训练：在每一次训练迭代中，根据设定的dropout比例随机丢弃一定比例的神经元。这样可以使得网络的训练过程具有随机性，减少过拟合的可能性。
总之，dropout参数的设置需要根据具体的问题和数据集进行调整，通过尝试不同的dropout比例来选择最优的参数。