tensorflow2.0---筆記5 過擬合及解決方法

文章目錄 欠擬合與過擬合 欠擬合 過擬合 小結 減輕過擬合的方法 交叉驗證 規範化（Regularization） early stopping & dropout early stopping dropout 動量與學習率 動量 採取可變（衰減）的學習率 隨機梯度下降 欠擬合與過擬合 模型越複雜（層數，每層神經元數量），表達能力越強。 欠擬合 欠擬合特點： 過擬合 過擬合特點（模型泛化能力差）：

>>阅读原文<<