1.为什么正则化可以减少过拟合？
//答：可以让模型参数变小，减小模型的方差。
在损失函数中加入正则项，在正则化时，如果参数lamda设置得足够大，那么就相当于权重系数W接近于0 ，就会减少很多隐藏单元的影响，降低模型的复杂度，将模型从过拟合到欠拟合，当然，其中有一个lamda是使模型处于最优中间状态的。
在这个例子中，当lamda增大时，W变小，所以随之Z变小，当激活函数使用Tanh时，若Z小，那么在接近0的区间内，模型就相当于是一个线性函数，模型简化。
2.Dropout（随机失活）正则化
对于一个过拟合的神经网络，可以设置一个dropoutRate来随机失活神经单元，使其变得更加简单。
反向dropout，参数keep_prob是保留一个神经单元的概率，d3是一个布尔数组，和a3对应乘之后，False就会变为0。这样就达到了随即舍弃神经单元。
并且对a3还要/keep_prob这样才可以保证期望值不变。确实是这样。可以用一个简单的例子来试验一下。
对不同的训练样本，清除的隐藏单元也不同，通过相同训练集多次传递数据，每次训练的梯度不同，随即对不同的隐藏单元置0。
//每一次iteration（训一个batch_size）都会有不同的隐藏单元被dropout。
在测试时，并不需要设置dropout，可以发现设置和不设置最终得到的是一样的，因为它有记忆keep_prob的功能。
3.理解dropout
直觉：在使用dropout时会让神经网络变得更简单，能够缩小参数。
在不同的神经网络层可以有不同的dropout率，对于比较可能过拟合的层使用更小的keep_prob，若=1，则就是保留全部单元。
可以在输入层使用dropout，来减少其特征，但是通常不这么做。