方式一
使用傳統的L1、L2正則化來防止過擬合；
方式二
使用dropout層來防止過擬合。
將輸入的tensor中的每個元素按照一定的概率置為0，如果不置為0，則按照一定一定的比例進行縮放，目的是為了保證和不變；keep_prob=0.2表示將80%的元素置為0剩下的20% 元素除以0.2；
方式三
batchNormalize防止過擬合。
對輸入的一批樣本按照維度進行歸一化，歸一化之後的數據往往分佈在座標軸的原點附近，擬合得到的參數會比較小，所以可以防止過擬合；
方式四
LayerNormalize防止過擬合
與batchNormalize類似，同樣是對數據進行歸一化，只不過是按照行的維度進行歸一化。
方式五
簡化神經網絡，比如：減少神經網絡層數、減少每一層神經元個數等；
方式六
降低學習率，減少迭代次數等防止過擬合
方式七
終極方案：增加數據量
關於神經網絡防止過擬合你還有其他的方法嗎？歡迎留言交流