构建深度学习 (deep learning)模型的主要目标不仅仅是在训练数据上的表现；更是要确保模型在新的、未见过的数据上也能表现良好。这种能力被称为泛化。泛化效果不佳的模型常常会遇到过拟合 (overfitting)（对训练数据学习得过于具体，甚至包含了噪声）或欠拟合 (underfitting)（模型过于简单，无法捕捉数据的规律）的问题。

在本章中，我们将为理解和改进泛化能力奠定开端。我们将定义泛化、过拟合和欠拟合。您将了解到深度学习背景下的偏差-方差权衡，以及如何使用学习曲线作为诊断工具。我们还将介绍正则化 (regularization)和优化在处理泛化问题中的作用，并引导您设置后续实践工作所需的软件环境。最后，您将练习通过视觉方式识别过拟合。