解析：

正則化 Regularization

正則化最主要的功能是防止網(wǎng)絡(luò)過擬合，主要有L1正則和L2正則：??

L2正則化（嶺回歸）可能是最常用的正則化方法了，以通過懲罰目標(biāo)函數(shù)中所有參數(shù)的平方來防止過擬合。即對(duì)于網(wǎng)絡(luò)中的每個(gè)權(quán)重，在目標(biāo)函數(shù)中增加一個(gè)項(xiàng)，其中是正則化懲罰系數(shù)。

加上后該式子關(guān)于梯度就是而不是了。L2正則化可以直觀理解為它對(duì)于大數(shù)值的權(quán)重向量進(jìn)行嚴(yán)厲懲罰，傾向于更加分散的權(quán)重向量。由于輸入和權(quán)重之間的乘法操作，使網(wǎng)絡(luò)更傾向于使用所有輸入特征，而不是嚴(yán)重依賴輸入特征中某些小部分特征。最后需要注意在梯度下降和參數(shù)更新的時(shí)候，使用L2正則化意味著所有的權(quán)重都以w += -lambda * W向著0線性下降。??

L1正則化（套索回歸）是另一個(gè)相對(duì)常用的正則化方法。對(duì)于每個(gè)我們都向目標(biāo)函數(shù)增加一個(gè)項(xiàng)。L1和L2正則化也可以進(jìn)行組合：，這也被稱作彈性網(wǎng)絡(luò)回歸。L1正則化有一個(gè)有趣的性質(zhì)，它會(huì)讓權(quán)重向量在最優(yōu)化的過程中變得稀疏（即非常接近0）。

也就是說，使用L1正則化的神經(jīng)元最后使用的是它們最重要的輸入數(shù)據(jù)的稀疏子集，同時(shí)對(duì)于噪音輸入則幾乎是不變的了。相較L1正則化，L2正則化中的權(quán)重向量大多是分散的小數(shù)字。在實(shí)踐中，如果不是特別關(guān)注某些明確的特征選擇，一般說來L2正則化都會(huì)比L1正則化效果好。
????
最大范式約束（Max norm constraints）是另一種形式的正則化，給每個(gè)神經(jīng)元中權(quán)重向量的量級(jí)設(shè)定上限，并使用投影梯度下降來確保這一約束。在實(shí)踐中，與之對(duì)應(yīng)的是參數(shù)更新方式不變，然后要求神經(jīng)元中的權(quán)重向量必須滿足這一條件，一般值為3或者4。有研究者發(fā)文稱在使用這種正則化方法時(shí)效果更好。這種正則化還有一個(gè)良好的性質(zhì)，即使在學(xué)習(xí)率設(shè)置過高的時(shí)候，網(wǎng)絡(luò)中也不會(huì)出現(xiàn)數(shù)值“爆炸”，這是因?yàn)樗膮?shù)更新始終是被限制著的。

隨機(jī)失活（Dropout）是一個(gè)簡(jiǎn)單又極其有效的正則化方法。該方法由Srivastava在論文Dropout: A Simple Way to Prevent Neural Networks from Overfitting中提出的，與L1正則化，L2正則化和最大范式約束等方法互為補(bǔ)充。在訓(xùn)練的時(shí)候，隨機(jī)失活的實(shí)現(xiàn)方法是讓神經(jīng)元以超參數(shù)的概率被激活或者被設(shè)置為0。
????????????????????????????????????????????????????

圖片展示了其核心思路：在訓(xùn)練過程中，隨機(jī)失活可以被認(rèn)為是對(duì)完整的神經(jīng)網(wǎng)絡(luò)抽樣出一些子集，每次基于輸入數(shù)據(jù)只更新子網(wǎng)絡(luò)的參數(shù)（然而，數(shù)量巨大的子網(wǎng)絡(luò)們并不是相互獨(dú)立的，網(wǎng)絡(luò)之間參數(shù)共享）。在推理階段不使用隨機(jī)失活，可以理解為是對(duì)數(shù)量巨大的子網(wǎng)絡(luò)們做了模型集成（model ensemble），以此來計(jì)算出一個(gè)平均的預(yù)測(cè)。

奧卡姆剃刀原理：

這個(gè)原理稱為"如無必要，勿增實(shí)體", 即"簡(jiǎn)單有效原理"。

奧卡姆剃刀原理是指，在科學(xué)研究任務(wù)中，應(yīng)該優(yōu)先使用較為簡(jiǎn)單的公式或者原理，而不是復(fù)雜的。應(yīng)用到機(jī)器學(xué)習(xí)任務(wù)中，可以通過減小模型的復(fù)雜度來降低過擬合的風(fēng)險(xiǎn)，即模型在能夠較好擬合訓(xùn)練集(經(jīng)驗(yàn)風(fēng)險(xiǎn))的前提下，盡量減小模型的復(fù)雜度(結(jié)構(gòu)風(fēng)險(xiǎn))。