Python视觉深度学习系列教程 第二卷 第1章 数据增强

        第二卷 第一章 数据增强

        根据Goodfellow等人的说法，正则化是“我们对学习算法所做的任何修改，旨在减少其泛化误差，而不是其训练误差”。简而言之，正则化可能会以略微增加训练误差为代价来减少我们的测试误差。

        我们已经在第一卷的第9章中研究了不同形式的正则化；然而，这些是正则化的参数化形式，需要我们更新我们的损失/更新函数。事实上，还存在其他类型的正则化：

        1、修改网络架构本身。

        2、增强传入网络进行训练的数据。

        Dropout是通过实现更大的泛化性来修改网络架构的一个很好的例子。这里我们插入一个层，将节点从