为什么要进行正则化
L1、L2正则化均能惩罚值较大的参数,并且能够选择权重的偏好,让权重、模型更加简单
L1、L2正则化公式
L1与L2正则化的偏好
L2正则化偏好“均匀分散”的权重
可以看出,加入L2正则化项的损失函数在训练时倾向将参数训练的更均匀和分散
L1正则化会使参数“稀疏”
含有很多值为0的权重的网络,具有稀疏性,稀疏性可以防治过拟合
L1正则化与Dropout作用有异曲同工之处,可使网络具有稀疏性
原理:
可以通过简单的二元函数来理解,待我复试之后来补之~
L1、L2正则化均能惩罚值较大的参数,并且能够选择权重的偏好,让权重、模型更加简单
可以看出,加入L2正则化项的损失函数在训练时倾向将参数训练的更均匀和分散
含有很多值为0的权重的网络,具有稀疏性,稀疏性可以防治过拟合
L1正则化与Dropout作用有异曲同工之处,可使网络具有稀疏性
原理:
可以通过简单的二元函数来理解,待我复试之后来补之~