我们提出了一种最近引入的最大输出单元（maxout unit）的概率变体。利用最大输出单元的深度神经网络在性能上优于整流线性单元（rectified linear units），部分原因在于其在丢弃法（dropout）下的表现更为优异。然而，这也依赖于每个最大输出单元在其输入变化时的部分不变性，因为每个最大输出单元都会对一组线性变换执行池化操作。基于这一观察，我们提出了一个问题：是否可以在提高最大输出单元的不变性的同时保留其理想的特性？我们认为，我们的概率最大输出单元（probabilistic maxout unit，简称 probout 单元）成功实现了这一平衡。我们通过定量分析验证了这一观点，并报告了在三个具有挑战性的图像分类基准测试（CIFAR-10、CIFAR-100 和 SVHN）中，分类性能达到了或超过了当前的最先进水平。