1. 获取更多的数据。
最直观有效的方法，有了足够的数据网络也不太容易过拟合。
2. 数据增强。
复制现有数据并加随机噪声，重采样等，在图像领域我们可以进行不同角度旋转，平移变换，随机裁剪，中心裁剪，模糊等。
3. 参数正则化（权值衰减）在损失和模型复杂度之间进行折中，可以采用L1和L2，其中L1采用的是拉普拉斯先验，倾向于聚焦网络的权值在相对少量的高重要连接上，而其他权重就会趋向于0，而L2正则采用的是高斯先验。
4. Dropout
它不改变网络本身，而是随机地删除网络中的一般隐藏的神经元，并且让输入层和输出层的神经元保持不变。每次使用梯度下降时，只使用随机的一般神经元进行更新权值和偏置，因此我们的神经网络是在一半的隐藏神经元被丢弃的情况下学习的。
可以理解为，当dropout不同神经元集合时，有点像在训练不同的神经网络。而不同的神经网络会以不同的方式过拟合，所以dropout就类似于不同的神经网络以投票的方式降低过拟合。
5. 选择合适的网络结构
减少网络层数，神经元个数，全连接层数等降低网络容量。
6. Early stopping
因为在初始化网络的时候一般初始化较小的权值，训练时间越长，部分网络权值可能越大。如果我们在合适的时间停止训练，就可以将网络的能力限制在一定的范围内。
7. 模型组合
将弱分类器融合之后形成一个强分类器，而且融合之后的效果会比最后的弱分类器效果更好。
8. batchnormallization
可以让大型的卷积神经网络训练速度加快很多倍，同时收敛后分类的准确率也可以大幅度提高。BN在训练某层时，会对每一个mini-batch数据进行标准化处理，减少了内部神经元分布的改变。
本文为CSDN博主「爱学习的人工智障」的原创文章，
遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_38410551/article/details/89203717
