CNN 防止过拟合的方法
因为数据量的限制以及训练参数的增多，几乎所有大型卷积神经网络都面临着过拟合的问题，目前常用的防止过拟合的方法有下面几种：
1. data augmentation: 这点不需要解释太多，所有的过拟合无非就是训练样本的缺乏和训练参数的增加。
一般要想获得更好的模型，需要大量的训练参数，这也是为什么CNN网络越来越深的原因之一，而如果训练样本缺乏多样性，
那再多的训练参数也毫无意义，因为这造成了过拟合，训练的模型泛化能力相应也会很差。大量数据带来的特征多样性有助于充分利用所有的训练参数。
data augmentation的手段一般有：
1）收集更多数据
2）对已有数据进行crop，flip，加光照等操作
3）利用生成模型（比如GAN）生成一些数据。
2. weight decay： 常用的weight decay有L1和L2正则化，L1较L2能够获得更稀疏的参数，但L1零点不可导。
在损失函数中，weight decay是放在正则项（regularization）前面的一个系数，正则项一般指示模型的复杂度，
所以weight decay的作用是调节模型复杂度对损失函数的影响，若weight decay很大，则复杂的模型损失函数的值也就大。
3. 提前终止： 提前停止其实是另一种正则化方法，就是在训练集和验证集上，一次迭代之后计算各自的错误率，当在验证集上的错误率最小，
在没开始增大之前停止训练，因为如果接着训练，训练集上的错误率一般是会继续减小的，但验证集上的错误率会上升，这就说明模型的泛化能力开始变差了，
出现过拟合问题，及时停止能获得泛化更好的模型。
如下图（左边是训练集错误率，右图是验证集错误率，在虚线处提前结束训练）：
4. dropout : CNN训练过程中使用dropout是在每次训练过程中随机将部分神经元的权重置为0，即让一些神经元失效，这样可以缩减参数量，避免过拟合。
关于dropout为什么有效，有两种观点：
1）每次迭代随机使部分神经元失效使得模型的多样性增强，获得了类似多个模型ensemble的效果，避免过拟合
2）dropout其实也是一个data augmentation的过程，它导致了稀疏性，使得局部数据簇差异性更加明显，这也是其能够防止过拟合的原因。关于dropout的解释可参考这篇博客。
转自：http://blog.csdn.net/leo_xu06/article/details/71320727