防止过拟合
与任何机器学习模型一样，训练卷积神经网络时的主要关注点是过拟合：这种模型过于局限于训练数据的细节，无法泛化到新的示例。构建 CNN 时，有以下两种技术可以防止过拟合：
- 数据增强：通过对现有图像执行随机转换，创建一组新变体，人为地增加训练样本的多样性和数量（参见图 7）。当原始训练数据集相对较小时，数据增强方法尤其有用。
- 丢弃正则化：在训练梯度步长中随机地从神经网络中移除单元。
图 7. 单张狗狗图片的数据增强（摘自 Kaggle 上的“Dogs vs. Cats”数据集）。左图：训练集中的原始狗狗图像。右图：使用随机转换从原始图片生成九张新图片。