tensorflow笔记之l2正则化

正则化是为了防止过拟合现象的出现，什么是过拟合

在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。

过拟合是很多机器学习的通病。如果模型过拟合，那么得到的模型几乎不能用。为了解决过拟合问题，一般会采用模型集成的方法，即训练多个模型进行组合。此时，训练模型费时就成为一个很大的问题，不仅训练多个模型费时，测试多个模型也是很费时。

下面是关于对散点划出分界线的代码

# -*- coding: utf-8 -*-
"""
Created on Tue Mar 19 20:44:32 2019

@author: Admin
"""

import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
BATCH_SIZE=8
seed=2
#基于seed生成随机数
rdm=np.random.RandomState(seed)
#随机数返回300行2列的矩阵，表示300组坐标点（x0,x1)作为输入数据
X=rdm.randn(300,2)
#从X中取出一行，判断如果两个坐标的平方和小于2，为Y赋值1否则）
#作为输入数据集的标签（正确答案)
Y_=[int(x0*x0+x1*x1<2) for (x0,x1) in X]
#遍历Y中的每个袁术，1赋值‘red’其余值赋值为'blue'这样可视化显示时人可以直接区分