如何提高深度学习的泛化能力？

数据增强

在样本有限的情况下，采用数据增强的方法对原有样本进行变换：

• 平移、旋转、镜像翻转

• 几何变换、对比度变换、颜色变换、添加随机噪声、图像模糊

• 弹性变换算法：双线性插值、双三次插值

预处理

• 均值减法：每个图像，减去所有图像的均值，使整个训练样本均值为0
• 均一化：对样本图像进行均值减法后，再除以标准差，使整个训练样本均值为0，方差为1
• 白化（ZCA）：用到奇异值分解，使图像中物体的边缘更加清晰

Dropout

在网络的训练过程中，按照预先设定的概率将一部分中间层的单元暂时从网络中丢弃，通过把该单元的输出设置为0使其不工作，来避免过拟合。但是对被舍弃单元进行误差反向传播计算时，仍使用被舍弃之前的原始输出值

可用于训练包含全连接层的神经网络

训练完后，在识别时使用全部单元。对经过Dropout处理过的层要多乘一次训练时设定的概率（因为训练时舍弃了一部分，这时候识别要用全部的，多了）

DropConnect

与Dropout相似，DropCnooect是按照概率将一部分权重设置为0。相比之下，DropConnect更不容易发生过拟合

但是，没有免费的午餐，DropConnect训练难度更大，对随机数的依赖更高，所以Dropout使用更普遍