标签：width   公式   个数   基本   基于   数据   class   常用   方式   

---恢复内容开始---

在机器学习中，有时候我们基于一个数据集训练的模型对该模型的正确率非常高，而该模型对没有见过的数据集很难做出正确的响应；那么这个模型就存在过拟合现象。

为了缓解或避免过拟合现象，我们通常用的方法是采用正则化方法（Regularization）。

1 正则化基本理解

1.1 正则化公式的引入

 正则化在损失函数中引入模型复杂度指标，利用给W加权值，弱化了训练数据的噪声（注：一般不正则化 b，仅正则化 w ）

1.2 loss(w)函数的两种表述方式

# 表达方式1
loss(w) = tf.contrib.l1_regularizer(regularizer)(w)
# 表达方式2
loss(w) = tf.contrib.l2_regularizer(regularizer)(w)

其对应的数学表达式为

 将正则化计算好的 w 添加到 losses 中

---恢复内容结束---

神经网络优化（二） - 正则化

标签：width   公式   个数   基本   基于   数据   class   常用   方式   

原文地址：https://www.cnblogs.com/gengyi/p/9901749.html