正則化：

一般可以通過減少特征或者懲罰不重要特征的權重來緩解過擬合，但是我們通常不知道該懲罰那些特征的權重，而正則化就是幫助我們懲罰特征權重的，即特征的權重也會成為模型的損失函數一部分。可以理解為， 為了使用某個特征，我們需要付出loss的代價(loss為給權重weight加的一個loss，正則化)，除非這個特征非常有效，否賊就會被loss上的增加覆蓋效果。這樣我們就能篩選出最有效的特征，減少特征權重防止過擬合。

一般來說，L1正則會制造稀疏的特征，大部分無用特征的權重會被至為0,

L2正則會讓特征的權重不過大，使得特征的權重比較平均。?????? tensorflow.nn.l2_loss(weight) 就是計算weight的L2 loss。

數據增強：

tf.image.random_flip_left_right(): 照片的隨機水平翻轉??????? //這里沒寫參數列表，下同

tf.random_crop()：從照片中隨機剪切一塊照片

tf.image.random_brightness():設置隨機的亮度

tf.image.random_contrast():設置隨機的對比度

tf.image.per_image_whitening():對數據進行標準化(對數據減去均值，除去方差，保證數據0平均， 方差為1)

總結

以上是生活随笔為你收集整理的tensorflow中的正则化函数在_tensorflow中的正则化及数据增强的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。