1.过拟合
如果一个神经网络模型在训练集的准确率很高,而在新的数据集或者测试集准确率较低,说明模型的泛化能力差,也就是过拟合现象。
2.正则化
正则化就是在损失函数中给每一个参数w(一般不对参数b做正则化)加上权重,从而抑制模型的噪声,减小过拟合。但是这个策略可能会以增大训练误差为代价。
3.tensorflow函数
正则化:
loss(w) = tf.contrib.layers.l1_regularizer(REGULARIZER)(w)
正则化:
如果一个神经网络模型在训练集的准确率很高,而在新的数据集或者测试集准确率较低,说明模型的泛化能力差,也就是过拟合现象。
正则化就是在损失函数中给每一个参数w(一般不对参数b做正则化)加上权重,从而抑制模型的噪声,减小过拟合。但是这个策略可能会以增大训练误差为代价。
正则化:
loss(w) = tf.contrib.layers.l1_regularizer(REGULARIZER)(w)
正则化: