给损失函数加正则化项

减小过拟合途径

（1）增大数据集；
（2）减少变量个数，去掉不重要变量；
（3）正则化：保留所有变量，但减小特征变量的数量级。这种处理方法更合适，因为实际所有变量对结果都有一定贡献，只是有些变量对结果的影响很小。
正规化背后的思路：这些参数的值越小，通常对应于越光滑的函数，也就是更加简单的函数。因此 就不易发生过拟合的问题。

给损失函数加正则化项

给损失函数加上正则化项可防止模型过拟合。正则化方法有两种：

（1）L1正则化：

使用L1正则化的模型又叫做Lasso Regularization(Lasso回归),直接在原来的损失函数基础上加上权重参数的绝对值的倍数，如公式1所示：

（2）L2正则化

使用L2正则化的模型又叫做岭回归（ridge regression）,直接在原来的损失函数基础上加上权重参数的平方的倍数，如公式2所示：

lasso 可以用来做 feature selection，而 ridge 不行。或者说，lasso 更容易使得权重变为 0，而 ridge 更容易使得权重接近 0。（具体可参考这篇文章：https://blog.csdn.net/red_stone1/article/details/80755144）

TensorFlow中正则化的实现

TensorFlow中对相应参数进行正则化的函数如下：
tf.contrib.layers.l1_regularizer(regularizer)(w) （L1正则化）
tf.contrib.layers.l2_regularizer(regularizer)(w) （L2正则化）
以上两个参数往往配合tf.add_to_collection()和tf.add_n()两个函数使用，如下所示：
tf.add_to_collection(‘losses’, tf.contrib.layers.l1_regularizer(regularizer)(w))或
tf.add_to_collection(‘losses’, tf.contrib.layers.l2_regularizer(regularizer)(w))
其中，tf.add_to_collection(“list_name”, element),函数有两个参数，分别是列表名和元素，其作用是将元素element添加到list_name所指的列表中。
而tf.add_n(list_name)函数有一个参数，即列表名，其作用是将列表元素相加并返回。
因此，得到损失函数中正则化项的语句包括以下（以L2正则化为例）：
tf.add_to_collection(‘losses’, tf.contrib.layers.l2_regularizer(regularizer)(w))
L2_err=tf.add_n(losses)
loss=cem或其它损失函数+L2_err