之前的章节分别介绍了各种正则化 (regularization)方法（如L1/L2、Dropout）、归一化 (normalization)技术（如批量归一化）和优化算法（如SGD、Adam等）。基于这些前期内容，本章侧重于如何在实际的深度学习 (deep learning)工作流程中有效地结合这些方法。

你将学到：

• 不同正则化和优化技术之间的相互影响。
• 构建一个运用这些方法的典型训练过程。
• 使用损失曲线和指标来监控训练进展。
• 将早期停止作为一种额外的正则化策略来应用。
• 结合Dropout和批量归一化时的具体考虑。
• 数据增强如何提升模型泛化能力。
• 选择合适技术组合的指导原则。
• 解决与优化和正则化相关的常见训练问题。

本章最后将通过一个实践练习，让你使用这些组合策略中的几种来构建和调整模型。