避免过拟合：

1、增大数据集合 – 使用更多的数据，噪声点比减少（减少数据扰动所造成的影响）

2、减少数据特征 – 减少数据维度，高维空间密度小（减少模型复杂度）

3、正则化 / dropout / 数据增强 – 在缺少训练数据情况下

一、Dropout介绍：

训练时：随机人为丢弃一些神经单元

测试时：使用全部神经单元

原理：

1.取平均的作用：相同训练数据训练5个不同的神经网络，得到5个不同结果，此时可以采用“5个结果取平均值”或“多数取胜投票策略”决定最终结果。

2.减少神经元之间复杂的公适应关系：因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现。这样权值的更新不再依赖于固定关系的隐含节点的共同作用，阻止了某些特征仅仅在其它特定特征下才有效果的情况。

Tf2实例：

tf.keras.layers.Dropout(rate=0.8)

一般可以在Dense层之后添加Dropout层

二、正则化介绍：

L1-norm和 l2-norm中文称作 L1正则化 和 L2正则化，或者 L1范数 和 L2范数。

其中 w 就是线性变化中的参数。

对于线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。

Tf2实例：

# kernel_regularizer 计算的就是层参数的相应值（l1、l2等）tf.keras.layers.Dense(32, kernel_regularizer=tf.keras.regularizers.l2(1e-2))tf.keras.layers.Dense(10, kernel_regularizer=tf.keras.regularizers.l1(1e-2))# 通过模型的lossed属性取到各个层的loss （最后加到损失函数计算的loss之中就行）model.losses # [<tf.Tensor: id=241, shape=(), dtype=float32, numpy=0.030209353>,# <tf.Tensor: id=249, shape=(), dtype=float32, numpy=0.6088533>]