过拟合原因：
1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；（模型太复杂，参数就会太大，然而你的数据量又很小）
2. 训练集和测试集特征分布不一致；（用分类猫的训练集，去拟合分类狗的）
3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系；（数据量太小，或许只学到了噪音，而没有学到希望学到的特征）
4. 权值学习迭代次数足够多(Overtraining)，拟合了训练数据中的噪声和训练样例中没有代表性的特征。
解决方案：
1、简化模型结构：比如减小网络深度。
2、多来一些数据增广，比如flip、rotate，镜像，高斯噪音，随机裁剪，缩放。
3、正则化：比如添加L1和L2正则。（L2正则也称为权重衰减 weight decay ）
L2范数是指向量各元素的平方和然后求平方根。我们让L2范数的规则项||W||2最小，可以使得W的每个元素都很小，都接近于0，但与L1范数不同，它不会让它等于0，而是接近于0。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。可以设想一下对于一个线性回归方程，若参数很大，那么只要数据偏移一点点，就会对结果造成很大的影响；但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』
4、Dropout：丢弃网络中的一些神经元。（或许有用，别丢太多，好不容易训练出来的参数）
5、早停（early stopping）：这就需要有验证集，当验证集的Dice值达到最优的时候，就停止训练，减少训练时间。（通常在找到最优epoch之后，在跑10-50epoch，确定是最优，再停止）。
6、ensemble、集成多个模型结果，减少过拟合造成的影响。但是这种方法太花费时间了。集成类型：贝叶斯最优分类器、Bootstrap聚合（Bagging）、Boosting、贝叶斯参数平均、贝叶斯模型组合、桶模型、Stacking。
7、重新对数据进行清洗。但是对于深度学习视觉任务来说，这个过程一般在数据预处理阶段完成。