系列笔记 | 深度学习连载（5）：优化技巧（下）
系列笔记 | 深度学习连载（5）：优化技巧（下）
深度学习中我们总结出 5 大技巧：
本节继续从第三个开始讲起。
3. Early stopping and Regularization
本节我们一起探讨 Early stopping and Regularization，这两个技巧不是深度学习特有的方法，是机器学习通用的方法。
Early stopping
在训练过程中，往往会得出训练的最后的结果还可能不如以前的，原因很有可能出现overfitting。 我们需要提前踩刹车，得出更好的效果。
Regularizaton
当我们努力降低Loss函数的数值的时候，我们会发现，我们找到的参数集weights，不仅仅要让Loss变小，而且weights 自身也需要接近于0，这样我们的结果会更加理想。
L1 正则化：
新的Loss函数将会被最小化：
L2正则化：
新的Loss函数将会被最小化：
到这里，很多同学会疑问，为什么weights小了，结果就很更好，我在这里举例说明：6岁的时候和14岁的时候，大脑的神经元密度明显降低，说明一些无效的神经元是阻碍大脑进步的。
4. Dropout
Dropout 在2012年imagenet 比赛中大放异彩，是当时CNN模型夺冠的功勋环节之一。
那什么是Dropout 我们先直观的理解：
练武功的时候，训练的时候脚上绑上重物
等到练成下山的时候：
我们从几个方面来解释Dropout
基础定义
当训练的时候，每一个神经元都有p%的可能“靠边站”
当测试的时候，所有的神经元齐心协力，共同努力：
Dropout是一种Ensemble学习
Ensemble 学习我们在机器学习专栏中一起讨论过，链接是集成学习。每次训练的时候的网络结构都是不一样的，是一个thinner network：
其实在训练的时候训练了很多thinner network：
测试的时候，取各个网络的平均值
所以在深度学习中，我们的整个训练测试方法如下：
本专栏图片、公式很多来自台湾大学李弘毅老师、斯坦福大学cs229、cs231n 、斯坦福大学cs224n课程。在这里，感谢这些经典课程，向他们致敬！
作者简介：武强 兰州大学博士，谷歌全球开发专家Google Develop Expert（GDE Machine Learing 方向）
系列笔记：