网络模型的鲁棒性（结合实例）与提升鲁棒性的方法

网络模型的鲁棒性与提升鲁棒性的方法

1.定义：在统计学领域和机器学习领域，对异常值也能保持稳定、可靠的性质，称为鲁棒性。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。有一个与鲁棒性很相似的概念叫模型的泛化能力。

泛化能力：（generalization ability）是指机器学习算法对新鲜样本的适应能力，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。

根据泛化能力好的网络设计的神经网络控制器的鲁棒性也会有所改善.泛化能力指对未知数据的预测能力;

2.我们先来看一组例子理解鲁棒性的表现：

例子1.