训练神经网络的一个主要挑战是如何确定训练时长。训练不足会导致模型在训练集和测试集上都欠拟合。训练过度会导致模型过拟合训练数据集，在测试集上表现不佳。折衷的办法是训练……
如何在 Keras 中使用 Dropout 正则化减少过拟合
Dropout 正则化是一种计算成本低廉的深度神经网络正则化方法。Dropout 的工作原理是通过概率性地移除或“丢弃”层中的输入，这些输入可能是数据样本中的输入变量，也可能是来自前一层的激活。它的效果是模拟大量的具有不同网络结构的神经网络……
深度神经网络正则化中的 Dropout 简介
深度学习神经网络很容易在只有少量样本的训练数据集上过拟合。具有不同模型配置的神经网络集成已知可以减少过拟合，但需要额外计算成本来训练和维护多个模型。可以使用单个模型来模拟大量不同的网络……
如何在 Keras 中使用激活正则化来减少泛化误差
激活正则化提供了一种方法，可以鼓励神经网络学习稀疏的特征或原始观测的内部表示。在自编码器（称为稀疏自编码器）和编码器-解码器模型中，通常会寻求稀疏学习的表示，尽管该方法也可以普遍用于减少过拟合和提高模型的泛化能力……
深度学习中激活正则化的温和介绍
深度学习模型能够从原始输入数据中自动学习丰富的内部表示。这被称为特征或表示学习。更好的学习表示反过来可以带来对领域的更深入理解（例如，通过可视化学习到的特征），并产生利用这些学习到的特征的更好的预测模型。一个……
如何在 Keras 中使用权重约束减少过拟合
权重约束提供了一种方法，可以减少深度学习神经网络模型在训练数据上的过拟合，并提高模型在新数据（如保留测试集）上的性能。权重约束有多种类型，例如最大范数和单位向量范数，其中一些需要一个超参数……
深度学习中权重约束的简要介绍
权重正则化方法（如权重衰减）在训练神经网络时会向损失函数添加惩罚项，以鼓励网络使用较小的权重。神经网络中使用较小的权重可以使模型更稳定，并且不太可能过拟合训练数据集，从而在……上获得更好的性能。
如何在 Keras 中使用权重衰减来减少神经网络的过拟合
权重正则化提供了一种方法，可以减少深度学习神经网络模型在训练数据上的过拟合，并提高模型在新数据（如保留测试集）上的性能。权重正则化有多种类型，例如 L1 和 L2 向量范数，每种类型都需要一个超参数……
使用权重正则化减少深度学习模型的过拟合
神经网络会学习一组最能将输入映射到输出的权重。具有大网络权重的网络可能是网络不稳定的迹象，此时输入的小变化可能导致输出的大变化。这可能表明网络过拟合了训练数据集，并且……
如何为时间序列预测进行深度学习模型的网格搜索
通常，我们无法使用深度学习方法执行网格搜索。这是因为深度学习方法通常需要大量数据和大型模型，导致模型训练需要数小时、数天甚至数周。在数据集较小的情况下（例如单变量时间序列），……