Implementar Dropout con gestión de estados Train/Eval

[Gilberto-Galan]

Añadir una capa de Dropout para reducir el sobreajuste (overfitting). Esta tarea requiere que el motor gestione estados de entrenamiento donde se "apagan" neuronas aleatoriamente, frente a estados de evaluación donde el modelo es determinista.

Criterios de Aceptación

• Implementación de nn.Dropout(p=0.5).
• Escalado Invertido: Escalar activaciones por $1/(1-p)$ durante el entrenamiento para mantener la magnitud en la inferencia.
• Soporte para cambio de estado global mediante model.train() y model.eval().

Checklist Técnica

• Generación Aleatoria: Integrar cuRAND para generar máscaras binarias directamente en la GPU.
• Gestión de Máscara: El nodo de Autograd debe almacenar la máscara generada durante el forward para aplicarla de forma idéntica en el backward.
• Propagación de Estado: Modificar la clase base Module para que el flag training se herede en todas las subcapas.
• Kernel de Aplicación: Implementar un kernel CUDA que multiplique el tensor por la máscara y el factor de escala.

Pruebas Mínimas

• Test Estadístico: Verificar que en modo train, aproximadamente el $(p \cdot 100)%$ de los elementos sean cero.
• Test de Inferencia: Asegurar que en modo eval, la salida sea exactamente igual a la entrada.
• Test de Escala: Validar que la suma de activaciones en train sea estadísticamente similar a la suma en eval.