1. 训练集，验证集，测试集
当数据量较小时，可以分别占60%, 20%, 20%，当数据集规模很大时，验证集和测试集所占比例可以很小。
2.偏差和方差
2.1判断
我们可以根据训练集误差，判断数据拟合情况，判断是否有偏差问题。之后根据验证集误差，判断方差是否过高。
2.2 解决
针对高偏差（欠拟合）：使用更复杂网络，花费更多时间训练算法或者是用优化算法，（或者采用新架构）
针对高方差（过拟合）：采用更多数据，正则化，（新架构）
3.正则化
3.1 正则化预防过拟合的原因
正则化参数λ变大时，W变小，Z变小，激活函数会相对呈线性，整个神经网络会计算离线性网络近的值（神经网络会变简单，所以避免了过拟合）。
3.2 正则化方法
L2
L1
dropout
在不便引入新的数据时将图片翻转或剪裁（数据扩增），
early stopping。绘制验证集误差
4.梯度消失与梯度爆炸
5. 作业
1. 初始化参数：不同的初始化参数导致不同结果
将所有W初始化为0 ，这将导致"break symmetry", 例子中识别准确率50%
所有参数随机初始化并将规模*10，导致梯度下降缓慢，迭代次数过多，识别准确率83%
He初始化（推荐激活函数为relu的层使用），在随机初始化的规模设为sqrt(2./layers_dims[l-1])，识别准确率99%
Xavier initialization ：sqrt(1./layers_dims[l-1])
2.正则化
2.1 L2正则化
正向：$$J_{regularized} = small underbrace{-frac{1}{m} sumlimits_{i = 1}^{m} large{(}small y^{(i)}logleft(a^{[L](i)} ight) + (1-y^{(i)})logleft(1- a^{[L](i)} ight) large{)} }_ ext{cross-entropy cost} + underbrace{frac{1}{m} frac{lambda}{2} sumlimits_lsumlimits_ksumlimits_j W_{k,j}^{[l]2} }_ ext{L2 regularization cost} ag{2}$$
反向：$frac{d}{dW} ( frac{1}{2}frac{lambda}{m} W^2) = frac{lambda}{m} W$
2.2 dropout步骤：
正向：1. 随机初始化D矩阵
2.将D转换为0/1矩阵
3.将 $A^{[1]}$ 转换为 $A^{[1]} * D^{[1]}$
4.将 $A^{[1]}$ 除以 `keep_prob`
反向：1. dAl = dAl * Dl
2. dAl = dAl / keep_prob
3.梯度检测
梯度检测的步骤：
1.初始化：将梯度和参数化成向量
2.针对每一个参数循环
计算$J^{+}_i$
1.Set $ heta^{+}$ to `np.copy(parameters_values)`
2. Set $ heta^{+}_i$ to $ heta^{+}_i + varepsilon$
3. Calculate $J^{+}_i$ using to `forward_propagation_n(x, y, vector_to_dictionary(`$ heta^{+}$ `))
计算$J^{-}_i$
计算梯度
3.得到一个梯度序列，与原梯度对比