正则化：解决模型过拟合的手段，本质就是减小模型参数取值，从而使模型更简单。常用范数如下：

        使用最多的是L2范数正则项，因此加入正则项的损失函数变为：

        使用梯度下降法的权重调整公式：

        推导后得到：

        其中是超参数（在Python中，已经存在lambda的关键字，因此为该参数命名时应注意避免和关键字重复），它的值越大，则参数w就越小，于是模型就越简单，从而不容易过拟合。下图是tanh的函数图像，以该函数作为激活函数，可以发现：

        以二分类为例，越简单的模型越接近直线（存在欠拟合），越复杂的模型越接近曲线（存在过拟合），给损失函数加入正则项，在反向传播的过程中，梯度下降法使参数w更小，那就更小，于是就越接近0，也就是红色部分，在tanh图像中，趋于0的部分图像趋于线性（红色部分），从而使模型更加趋于线性，从而减少过拟合

        L1范数的正则项与L2范数的正则项的区别是：L1范数的正则项可以使权重矩阵变成稀疏矩阵（存在大量的0），也就是减少网络中某些不起作用的神经元，因此也可以使网络更加简单。

        L2正则化的缺点：需要多次训练模型，尝试不同的λ的值，选择效果最优的λ，需要花费大量的时间成本。