深度学习中我们总结出 5 大技巧：

本节继续从第三个开始讲起。

3. Early stopping and Regularization

本节我们一起探讨 Early stopping and Regularization，这两个技巧不是深度学习特有的方法，是机器学习通用的方法。

Early stopping

在训练过程中，往往会得出训练的最后的结果还可能不如以前的，原因很有可能出现overfitting。 我们需要提前踩刹车，得出更好的效果。

Regularizaton

当我们努力降低Loss函数的数值的时候，我们会发现，我们找到的参数集weights，不仅仅要让Loss变小，而且weights 自身也需要接近于0，这样我们的结果会更加理想。

L1 正则化：

新的Loss函数将会被最小化：

L2正则化：

新的Loss函数将会被最小化：

到这里，很多同学会疑问，为什么weights小了，结果就很更好，我在这里举例说明：6岁的时候和14岁的时候，大脑的神经元密度明显降低，说明一些无效的神经元是阻碍大脑进步的。

4. Dropout

Dropout 在2012年imagenet 比赛中大放异彩，是当时CNN模型夺冠的功勋环节之一。

那什么是Dropout 我们先直观的理解：

练武功的时候，训练的时候脚上绑上重物

等到练成下山的时候：

我们从几个方面来解释Dropout

基础定义

当训练的时候，每一个神经元都有p%的可能“靠边站”

当测试的时候，所有的神经元齐心协力，共同努力：

Dropout是一种Ensemble学习

Ensemble 学习我们在机器学习专栏中一起讨论过，链接是集成学习。每次训练的时候的网络结构都是不一样的，是一个thinner network：

其实在训练的时候训练了很多thinner network：

测试的时候，取各个网络的平均值

所以在深度学习中，我们的整个训练测试方法如下：