过拟合
第一个模型简单，第二个模型比较合理，第三个模型则过拟合了，容易导致，模型在训练数据上表现良好，而在测试数据上的表现较差的情况。
正则化特点
都是通过限制权限的大小。
L1：让参数变得更稀疏，即使更多的参数变为0，类似特征提取。
L2：弱参数平方后变的更小，模型优化中几乎可以忽略，比如0.0001的平方。
当然，根据需要可以结合L1和L2一起使用。
L1正则化公式如下：
L2正则化公式如下：
结合使用：
tensorflow代码实战：
#L1，L2demo
w = tf.constant([[1.0,2.],[-2.,4.]])
with tf.Session() as sess:
print(sess.run(tf.contrib.layers.l1_regularizer(0.5)(w)))
print(sess.run(tf.contrib.layers.l2_regularizer(0.5)(w)))
print(sess.run(tf.contrib.layers.l1_l2_regularizer(scale_l1=0.5,scale_l2=0.5)(w)))
out:
4.5
6.25
10.75
由demo可以看出，tensorflow 会将L2正则的值除以2.
