1. 什么是过拟合？

过拟合（Overfitting）：模型过于复杂（所包含的参数过多），以致于模型对训练集的拟合很好，但对未知数据预测很差的现象（泛化能力差）。

过拟合可以通过观测训练集和验证集的loss变化判断：随着epoch或step的增加，训练集
loss不断下降，而验证集loss先下降后抬升。

2. 常见过拟合解决办法有哪些？

（1）增加训练数据量
①采集更多的数据；
②数据增广(image augmentation)：对已有数据做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。这里不讲数据增广，有兴趣的可以查看tf.keras.preprocessing.image.ImageDataGenerator这个api。

（2）减少模型复杂度
①减少隐层
②减少神经元个数

（3）添加正则项
tf.keras.regularizers.l2
用到的参数：
l：惩罚项，默认为0.01。

（4）提前终止（Early Stopping）

训练的过程中，记录到目前为止最好的验证集结果，当连续10个Epoch（或者更多次）没有超越最佳结果时，则可以认为精度不再提高。

导入模块： tf.keras.callbacks.EarlyStopping
用到的参数：
monitor：监控的数据，一般为’val_loss’。
min_delta：定义模型改善的最小量，只有大于min_delta才会认为模型有改善，默认为0。
patience：有多少个epoch，模型没有改善，训练就会停止，默认为0。
restore_best_weights：是否使用监控数据最好的模型参数，如果是False，使用的是训练最后一步的模型参数，默认False。

（5）Dropout
训练阶段：每个step以一定的概率p让神经元停止工作。
预测阶段：所有神经元都是工作的，但所有权值需要乘上(1-p)。
导入模块： tf.keras.layers.Dropout
用到的参数：
rate：神经元失效的概率，取值0~1的浮点数。
seed：随机种子，取正整数。
name：输入字符串，给该层设置一个名称。

3. Dropout详解

（1） Dropout为何有效？

Hinton的解释：Dropout相当于对原来网络进行修剪，得到参数规模较小的网络，这样的网络
不容易发生过拟合现象，最后对训练过程中所有的小网络进行集成（回归任务：相当于求平均，
分类任务：相当于少数服从多数），从而减小泛化误差，思想类似于集成学习。

（2）Dropout的缺点：
达到同样的精度需要更长的训练时间。通常p初始值取0.5，原因：p=0.5时所有小网络出现的概率相同，不会对某些网络有偏向。
（3）为什么预测阶段所有权值需要乘上(1-p)？
例：10匹马拉一个10吨的车。
第一次(训练时)：只有4匹马出力(有p=0.6概率被dropout)，每匹要出力拉2.5吨；
第二次(测试时)：10匹马都被要求出力，这次每匹马要出力拉2.5×(1-0.6)=1吨
注：主流的深度学习框架（tensorflow、pytorch、mxnet等）都会自动处理这一步，所以不需要自己操作。