改善深层神经网络：超参数调试、正则化以及优化
【1.1 训练/开发/测试集】
超参数调优，如何构建数据，
通过验证集/交叉验证集 选择最好的模型
经过充分验证，选定了最终模型，然后就可以在测试集上进行评估了
测试集和验证集占数据总量的比例会趋向于变得更小
记住：验证集的目的 是验证不同的算法，检验那种算法更有效。
因此，验证集要足够大才能评估。比如2-10个不同算法
测试集主要目的：正确评估分类器的性能
1000条数据 足以评估单个分类器
在训练和测试集分布不匹配的情况下进行训练
要确保验证集和测试集的数据来自统一分布
经验法则
最后一点，就算没有测试集也不要紧
测试集的目的是对最总选择的模型做出 无偏评估
如果不需要无偏评估，也可以不设置测试集
把验证集的数据 过度拟合到了 测试集中
[2.2 偏差/方差]
分别讨论二者
方差较高：过拟合
训练集误差、验证集误差
训练集 和 验证集的误差
训练集：误差低，训练集的拟合度不高15%，15%， 0.5%， 验证集：误差高，合理 16%， 更差（30%）， 1% 称之为：高方差，高偏差（因为它甚至不能拟合训练集），偏差高、方差也高，偏差、方差都很低
一般来说，最优误差 也被称为 贝叶斯误差 所以，最优误差接近0%
重点是 通过查看训练集误差，可以判断数据拟合情况，至少对于训练数据是这样，可以判断是否有偏差问题 通过查看验证集误差，可以判断方差是否过高
前提假设： 最优误差很低， 训练集、验证集来自同一分布
1.3 首先知道算法的偏差高不高。 如果偏差较高，试着评估训练集或训练数据的性能， 如果偏差确实很高，甚至无法拟合训练集， 那么要做的就是选择一个新网络，比如含有更多隐藏层或者隐藏单元的网络，或者花费更多时间来训练算法
一旦偏差降低到可接受的范围，检查一下方差。 为了评估方差，要查看验证集性能。 如果验证集方差高，最好的解决办法就是采用更多数据。 如果没有足够数据，可以通过 正则化来减少过拟合。
总之：需要不断尝试， 知道找到一个 低偏差、低方差的框架
使用更多数据，更复杂的网络， 通常可以在不影响偏差的同时，减少方差
1.4 正则化 正则化时 会出现偏差、方差权衡问题
如果觉得神经网络存在过拟合问题，即存在高方差问题， 那么首先想到的问题可能是正则化。 另一个解决高方差的方法是 准备更多数据，这也是非常可靠的方法。但这个有时候很难准备
正则化 通常有助于避免过拟合or减少网络误差
如果用L1正则化范数，那么w是稀疏的，即W向量中有很多0， 有人说这样有利于压缩模型， 因为集合中参数均为0，存储该模型所占用的内存会更少， 实际上并没有降低太多存储内存。
人们在训练模型时，越来越倾向于使用L2正则化，
lambd正则化参数：通常通过验证或交叉验证，来确定这个参数 将其设置为较小的值，可以避免过拟合
神经网络中，也有一个成本函数，
L2范数正则化也被称为“权重衰减”