在确定了构建和训练基本深度神经网络 (neural network)的过程后，我们现在关注实践中遇到的一个常见问题：过拟合 (overfitting)。过拟合的模型会过度学习训练数据，包括其噪声和特定模式，导致在新数据上的表现不佳。

本章介绍旨在对抗过拟合的技术，并提高模型泛化能力的方法。我们将审视几种重要的正则化 (regularization)方法：

• L1 和 L2 正则化： 了解如何根据权重 (weight)的大小向损失函数 (loss function)添加惩罚项（$L_1 = \lambda \sum |w_i|$ 或 $L_2 = \lambda \sum w_i^2$）可以限制模型的复杂性。
• Dropout： 学习在训练期间随机将一部分神经元激活设置为零，有助于阻止神经元之间形成复杂的相互依赖关系。
• 提前停止： 实施一种策略来监控验证表现，并在模型开始过拟合之前停止训练。
• 批量归一化 (normalization)： 研究如何在小批量中归一化激活，可以稳定并加速训练，通常会产生正则化效果。

最后，我们将介绍超参数 (parameter) (hyperparameter)调整的入门知识，涵盖网格搜索和随机搜索等基本策略，旨在帮助为学习率、网络大小或正则化强度等元素找到更好的配置。到本章结束时，您将掌握实用的工具，以构建更可靠、表现更好的深度学习 (deep learning)模型。