防止過擬合的最簡單的方法就是減小模型大小，即減少模型中可學習引數的個數，當學習引數過多時候，就相當於乙個線性函式本來只需要兩個引數（乙個截距乙個斜率）就可以表達出來（當然樣本點是不會完全在直線上的，分布於直線兩側），但是這時候你給了5個引數，那麼所表達出來的線就會穿過更多的點，這個時候曲線會變成四次曲線，模型的泛化力會顯著下降。
乙個問題的解釋有兩種樣子，其中乙個是簡單的一種是複雜的，那麼最可能的就是那種簡單的解釋。一種常見的降低過擬合的方法就是強制讓模型權重只能取較小的值，從而限制模型的複雜度，這使得權重值的分布更加規則。
from keras import regularizers
model = models.sequential(
)model.add(layers.dense(
16, kernel_regularizer=regularizers.l2(
0.001
),activation=
'relu'
, input_shape=
(10000,)
))model.add(layers.dense(
16, kernel_regularizer=regularizers.l2(
0.001
),activation=
'relu'))
model.add(layers.dense(
1, activation=
'sigmoid'
))
coefficient_value。注意，由於這個懲罰項只在訓練時新增，所以這個網路的訓練損失會
比測試損失大很多。
同時新增l1和l2正則化
regularizers.l1(
0.001
)regularizers.l1_l2(l1=
0.001
, l2=
0.001
)
model = models.sequential(
)model.add(layers.dense(
16, activation=
'relu'
, input_shape=
(10000,)
))model.add(layers.dropout(
0.5)
)model.add(layers.dense(
16, activation=
'relu'))
model.add(layers.dropout(
0.5)
)model.add(layers.dense(
1, activation=
'sigmoid'
))
解決過擬合的一些方法
由於條件限制，比如資料不夠豐富 不夠代表性，你的模型很有可能出現過擬合。即你的模型試圖去記住所有的訓練資料，而不是學習資料的趨勢。雖然資料增強的方法能緩解一些，但往往插值出來的資料仍然很侷限。一般，我們有下面幾個方法來從模型的角度來解決過擬合問題。隨著訓練的進行，你發現迭代到某輪時，訓練誤差逐漸下降...
高併發的一些處理方法
最近一段時間一直在看一些高併發處理策略的文章，在此也稍微總結一下自己的心得 一.高併發 可以這麼理解高併發，在同一時間，有大量使用者同時訪問同乙個url，容易導致伺服器和資料庫資源被佔滿崩潰，資料庫的儲存和更新結果跟理想不一致，例如出現重複的資料記錄，多次新增記錄等資料錯亂問題。二.高併發的處理策略...
資料處理的一些方法
1 保留小數點後兩位 四捨五入alert num.tofixed 2 2 保留小數點後兩位 把後面捨去math.floor 15.7784514000 100 100 輸出結果為 15.77 yuantocent yuan yuantocent 5.55 100 呼叫時需要除以100之後數值才是對應...