什么是正则化？
正则化(regularization)是一种实用的减少方差 (variance )的方法，也即避免过度拟合
几种正则化的方法
L2正则化
又被称为权重衰减(weight dacay)
在成本函数中加上正则项：
其中 
由于在w的更新过程中会递减，即权重衰减
w递减的过程，实际上是w趋近于0的过程
在这个过程中，部分单元的影响逐渐减小(可以近似看作隐藏 )，最终成为深层神经网络(类似线性回归)，从最开始的右图逐渐变为左图，即从high variance --> high bias
在变化的中间存在一个just right的状态，这个状态则是最优情况
缺点：
为了搜索合适的正则化参数lambda，需要进行大量验证计算，花费时间很长
dropout(随机失活)
dropout基本原理：将神经网络中的部分单元进行随机删除/失活 (将它们的影响降至几乎不存在)，让原本的神经网络样本训练规模变小
常用方法：inverted dropout(反向随机失活)
设置一个概率参数keep_prob，在例子中设置为0.8，表示有0.2的概率让单元失活
设置bool矩阵d3，将a3矩阵与d3矩阵进行矩阵乘法 运算，然后a3/=keep_prob，保持未被失活单元的数据的完整性
代码实现：
python
import numpy as np
a3=np.random.rand(3,3)
print("before dropout : \n",a3)
keep_prob=0.8
# print(a3.shape[0],a3.shape[1])
d3=np.random.rand(a3.shape[0],a3.shape[1])<keep_prob
# print("d3 = ",d3)
a3=np.multiply(a3,d3)
a3/=keep_prob
print("after dropout : \n",a3)运行结果：
dropout合理性的解释
dropout会压缩权重(shrink weights)，完成预防过拟合的外层正则化(类似L2正则化的功能)，与L2正则化不同的是，dropout对不同的应用方式，会产生不同的效果
keep_prob的数值越小，dropout的效果越显著
对于某些层，若担心过拟合，可以设置更小的keep_prob参数值，而对于其他层，若无需使用dropout，则可以设置keep_prob=1
缺点
需要进行许多验证来得出不同的keep_prob参数值
同时，因为每次迭代部分节点都会被随机移除，J函数的定义无法被明确给出，难以对递减程度进行评估与复查
数据扩增data augmentation
当无法获得充足的数据时，又需要大量的数据时，则会选择这种方法：
对原有数据进行一定的处理，产生新的数据
缺点
需要额外的算法验证，对新数据判断是否合理
early stopping
只需运行一次梯度下降，找到w的较小值，中间值和较大值
在梯度下降过程中及时停止，得到较合理的dev set error和train set error
