文章：这个博客 里面介绍了L1、L2范数，说到了L1正则化产生稀疏的权值, L2正则化产生平滑的权值，何为如此？
这个博客讲的通俗易懂啊！因此我也顺着思路学习了下！
我们知道机器学习实践过程中会经常使用L1、L2范数来进行正则化，目的是限制权值的大小，从而减少过拟合的分线。
在前面有一节是讲到了梯度下降法，这一节就结合正则来一起捋一捋它是如何减少目标函数过拟合的！（因为我们知道权值过多就类似谐波过多，能很精细地拟合函数，但是过犹不及，你拟合了群体里面的一个个体，那是对其他人的不公，比如社会这个大群体，里面有人民这个群体，你去用个模型拟合，谁知你却用了很多的权重去拟合王健林，这下好了，出来描述整个人民群体的模型跟实际情况出入很大，引起民愤啊！）
比较喜欢从数学的角度来理解问题：
目标函数梯度下降就是修改权值的嘛！我们专注问题的本质，就看权值：
为了进行一般性讨论我们取Wi为非0的某个正浮点数，学习率η=0.5，那么：
L1正则化产生稀疏的权值
L1的权值更新公式为Wi=Wi - η*1（因为|Wi|的偏导不就是1么！还是+1，因为绝对值啊！），这个式子表达的是每走一步都减少一个特定的值（因为学习率是定了的嘛！），因此最终肯定会减少到0的啊！减少到0的话，对应的特征就GAME OVER了，因此稀疏性就体现出来了！
L2正则化产生平滑的权值
L2的权值更新公式为Wi = Wi - η*Wi = Wi - 0.5*Wi，也就是说每迭代一次权值就变成上一次的一半了，虽然权值在不断减少，但是却永远也不会到零啊，因为越减到后面你的递减量也变小了啊！
2222.png
