深度学习中 过拟合的应对策略

深度学习中常常会遇到模型过拟合的问题，这里简单总结一下过拟合的应对策略。

过拟合的原因及表现

过拟合的原因简单来说，就是模型的拟合能力远远高于需要解决的问题的复杂度，这就导致了在拟合出训练集数据正确规则的情况下，又拟合了噪声。表现为测试集的预测误差远远大于训练集的预测误差。（偏差小，方差大）

应对策略

更多的数据

原因： 让模型看到更多的数据，能够拟合更多的可能，测试集出现例外情况的概率就会更小。
方法： Data Augmentation：平移，缩放，裁剪，旋转…具体情况具体扩充。

调整网络结构

原因： 对于需要解决的问题来说，所用模型可能太复杂。
方法： backbone换起来~

early stopping

原因： 模型训练时间越长，对数据的拟合能力越强。