理論上，從vc維的角度可以解釋，正則化能直接減少模型複雜度。（公式理論略）
直觀上，對l1正則化來說，求導後，多了一項η * λ * sgn(w)/n，在w更新的過程中：
對l2正則化來說，一方面，w的更新過程為：
若沒有l2，則w前面的係數為1，η、λ、n都是正的，所以 1−ηλ/n小於1，它的效果是減小w，這也就是權重衰減（weight decay）的由來。當然考慮到後面的導數項，w最終的值可能增大也可能減小。
模型的過擬合是因為考慮了過多的「不合適」樣本點，這樣，求導的時候，導數值很大，而自變數的值可大可小，所以意味著係數w要很大，所以當我們讓w減少的時候，即意味著忽略這些樣本點，即減小了模型的複雜度，解決了過擬合
正則化為什麼可以降低過擬合
在進行機器學習的模型訓練的時候，如果我們的訓練資料不夠，或者迭代的次數太多等等原因，可能會使我們的訓練誤差非常小，但是對測試集的誤差會很大，我們把這稱為過擬合，如圖 為了防止overfitting，可以用的方法有很多比如 early stopping 資料集擴增 data augmentation ...
什麼是序列化？為什麼要序列化？
從網路上查的 序列化 將物件的狀態資訊轉化為可以儲存或者傳輸的形式過程。在序列化期間，物件將其狀態寫入到臨時或者永續性儲存區。以後，可以通過從儲存區讀取或反序列化物件的狀態，重新建立該物件。當兩個程序在進行遠端通訊時，彼此可以傳送各種型別的資料。無論是何種型別的資料，都會以二進位制序列的形式在網路上...
資料的持久化,為什麼要持久化
但是什麼是資料庫持久化呢？持久資料其實就是將資料儲存到資料庫。資料持久化就是將記憶體中的資料模型轉換為儲存模型,以及將儲存模型轉換為記憶體中的資料模型的統稱 資料模型可以是任何資料結構或物件模型,儲存模型可以是關係模型 二進位製流等 cmp和hibernate只是物件模型到關係模型之間轉換的不同實現...