你已成功训练了一个基础神经网络，使其能够从训练数据中学习模式。然而，一个只对自己已见过的数据表现良好的模型作用不大。真正的目的是泛化：即网络在新数据、未见过的数据上的表现如何。网络常常对训练数据学习得过于好，这是一种被称为过拟合的现象，会导致泛化能力不足。

本章侧重于诊断和解决这一难题。我们将介绍实用技术，以提高网络在训练中未曾遇到的数据上的泛化能力和可靠表现。

具体来说，你将学到：

• 识别过拟合及其对应情况——欠拟合。
• 有效使用验证集来监控训练过程中的泛化情况。
• 应用$L1$、$L2$和Dropout等正则化方法来限制模型的复杂程度。
• 实施提前停止，以避免网络训练时间过长。
• 调整超参数以优化模型表现的策略。