此文章旨在总结一些大佬在实战中防止过拟合的方法，仅供参考和学习

吴恩达深度学习中关于过拟合的讲解

1.L2正则化

  吴恩达说：标准的方法是L2 正则化，它用来修改你的损失函数，从原来的:
$J = -\frac{1}{m} \sum\limits_{i = 1}^{m} \large{(}\small y^{(i)}\log\left(a^{[L](i)}\right) + (1-y^{(i)})\log\left(1- a^{[L](i)}\right) \large{)} \tag{1}$
变化为:
$J_{正则化后} = \small \underbrace{-\frac{1}{m} \sum\limits_{i = 1}^{m} \large{(}\small y^{(i)}\log\left(a^{[L](i)}\right) + (1-y^{(i)})\log\left(1- a^{[L](i)}\right) \large{)} }_\text{交叉熵损失函数} + \underbrace{\frac{1}{m} \frac{\lambda}{2} \sum\limits_l\sum\limits_k\sum\limits_j W_{k,j}^{[l]2} }_\text{L2 正则项} \tag{2}$
  我对于正则项的理解是反过来的，要防止过拟合就要对每一个梯度Wi都要进行惩罚，原来是Wi=Wi - αdWi，可以加上一个λ/m×Wi（λ是一个系数，用来控制正则化程度，除以m是对m个例子求平均）来限制Wi更新的速度。那么现在就应该是Wi=Wi - α×dWi+λ/mWi。

  这个值其实是由损失函数求导得到的，那么我们可以对λ/mWi求一个积分，也就λ/2m（Wi）²，那么损失函数里面刚好就是加上一个λ/2m*（Wi）²，这个式子刚好是L2正则项，注意是所有的Wi都要加到损失函数里面去，这样反向传播求导才会有上面的值。

2.随机失活 (dropout)

  这里要特别注意随机失活只用于训练集而不能用于测试集，这是很容易犯错的一点！

  1.随机失活在两个地方，前向传播和反向传播里面都要有.比如，当你随机失活L层时，前向传播将AL做处理，反向传播将dAL做处理

  2.由于随机失活把部分神经元抑制了，这样会导致损失函数的值变小，因此我们处理完AL后要把他除以keep_prob，来防止这一点发生

其他地方看到的技巧

1.一篇公众号关于Kaggle比赛中防止过拟合技巧

原文参见：link
  首先应该将训练数据合理地分为训练集和验证集，保证自己有训练集、验证集和测试集。

  验证集结果和测试集结果近似相等才是最优的，一般来说，两者相差程度不要超过2%，当然最好的情况是不要超过1%，例如验证集的准确率为90%，那么测试集应该在90±2%。

后面总结了一些原因：

  1.验证集划分不合理：通常要求验证集和训练集的数据分布基本相同，可以通过计算欧式距离或者画图来查看分布；

  2.测试集和训练集特征相差过大：在训练集和测试集中，一部分特征可能差距过大，例如：以天气距离，训练数据刚好是梅雨季节，测试数据是正常情况，那么就会产生较大的差异。

  3.模型参数设计不合理：过低的学习率和较多的参数容易导致过拟合，我们一般在良好的验证集的指导下，能很快找到效果比较好的参数，而且不要忘记正则化。