【DeepCV】模型正则化 regularization
Backto DeepCV
regularization 本意就是调整对象(函数等)使其更合乎常态（regular）或平滑，翻译成 正则化 不明所以。我喜欢叫他 抛光。不够雅，但是表意更准确。
regularization 的目的是控制网络的 capacity，以防止 over-fitting.
L2-regularization
最常用的.
为Loss函数引入惩罚项 1 2 λ ω 2 \frac 1 2 \lambda \omega^2 21λω2，前面加入 1 2 \frac 1 2 21 的目的是为了让导数是 λ ω \lambda \omega λω, 而不是 2 λ ω 2\lambda \omega 2λω.
L2-reg 的作用是错峰平谷，不要太突出的刺头权重，保证整体均匀。
Dropout
最常用的。 随机 drop 掉 α \alpha α 个点的网络神经元节点。Drop 来 Drop 去，效果还挺好。很可能是内部相当于多个模型集成了。
L1-regularization
为 Loss 函数引入惩罚项 λ ∣ ω ∣ \lambda \vert \omega \vert λ∣ω∣. 稀疏选择，不重要的权重就push成 0 了。
Max-norm constraints
这个是直接在训练中限定 ∥ ω ∥ ≤ c \Vert \omega\Vert \leq c ∥ω∥≤c