出自：https://zhuanlan.zhihu.com/p/29297934
过拟合的对策：L2正则化
对抗过拟合最有效的方法就是增加训练数据的完备性，但它昂贵且有限。另一种思路是减小网络的规模，但它可能会因为限制了模型的表达潜力而导致识别精度整体下降。
本篇引入L2正则化（Regularization），可以在原有的训练数据，以及网络架构不缩减的情况下，有效避免过拟合。L2正则化即在损失函数C的表达式上追加L2正则化项：
L2正则化
上式中的C0代表原损失函数，可以替换成均方误差、交叉熵等任何一种损失函数表达式。
关于L2正则化项的几点说明：
求和∑是对网络中的所有权重进行的；
λ（lambda）为自定义参数（超参数）；
n是训练样本的数量（注意不是所有权重的数量！）；
L2正则化并没有偏置参与；
L2正则化表达式暗示着一种倾向：训练尽可能的小的权重，较大的权重需要保证能显著降低原有损失C0才能保留。实际上L2正则化对于缓解过拟合的数学解释并不充分，更多是依据经验的。
L2正则化的实现
因为在原有损失函数中追加了L2正则化项，那么是不是得修改现有反向传播算法（BP1中有用到C的表达式）？答案是不需要。
C对w求偏导数，可以拆分成原有C0对w求偏导，以及L2正则项对w求偏导。前者继续利用原有的反向传播计算方法，而后者可以直接计算得到：
C对于偏置b求偏导保持不变：
基于上述，就可以得到权重w和偏置b的更新方法：
