Implementar Dropout con autograd y soporte train/eval

[Gilberto-Galan]

Agregar capa Dropout con comportamiento correcto en entrenamiento y evaluación, incluyendo backward consistente con la máscara aplicada.

Criterios de aceptación:

• Se implementa Dropout(p) con p configurable.
• En modo train aplica máscara y escalado inverted dropout.
• En modo eval se comporta como identidad.
• El backward respeta máscara y escala.
• Compatible con CPU y GPU.

Checklist técnica:

• Implementar clase Dropout como Module.
• Integrar bandera de modo (train/eval) en la jerarquía de módulos.
• Guardar máscara para backward en el nodo de autograd.
• Añadir forward y backward CPU/GPU.
• Exponer capa en bindings Python.
• Documentar uso en ejemplo simple.

Pruebas mínimas:

• En eval, salida igual a entrada.
• En train, proporción de ceros aproximada a p con tolerancia.
• Gradientes cero donde mask=0 y escalados donde mask=1.
• Paridad CPU/GPU en tensores pequeños.