1、什么是过拟合？
过拟合是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。
2、过拟合带来什么问题？
最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。
3、过拟合产生的原因？
在对模型进行训练时，有可能遇到训练数据不够，即训练数据无法对整个数据的分布进行估计；
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。
随着模型训练的进行，模型的复杂度会增加，此时模型在训练集上的训练误差会逐渐减小，但在模型的复杂度达到一定程度时，模型在验证集上的误差反而随着模型的复杂度增加而增大，此时便发生了过拟合现象。
4、如何解决过拟合问题？
- Early stopping
对模型进行训练的过程即是对模型的参数进行学习更新的过程，往往会用到一些迭代方法，如梯度下降学习算法，Early stopping便是一种迭代次数截断的方法来防止过拟合的方法，在模型对训练集迭代收敛之前停止迭代来防止过拟合。
具体做法：
在每一个Epoch结束时（一个Epoch集为对所有的训练数据的一轮遍历）计算validation data 的accuracy，当accuracy不再提高时，就停止训练，在训练的过程中，记录目前为止最好的validation accuracy，当连续10次Epoch（或者更多次）没达到最佳accuracy时，则停止迭代。
- 数据集扩增
这是解决过拟合最有效的方法，只要给足够多的数据，让模型尽可能多的适应【例外情况】，就会不断修正参数，得到更好的结果。
从数据源获取更多数据；根据当前数据集估计数据分布参数，使用该分布产生更多数据（一般不用，或引入抽样误差）；数据增强，通过一定规则扩充数据，如在物体分类问题里，物体在图像中的位置、姿态、尺度、图片明暗度等都不会影响分类结果，可以通过图像平移、翻转、缩放等扩充数据。
- 正则化：在神经网络计算损失值的过程中，在损失后面再加一项。
当欠拟合时，希望它对模型误差的影响越小越好，以便模型快速拟合实际。
当过拟合时，希望它对模型误差的影响越大越好，以便让模型不要产生过拟合的情况。
引出两个范数L1和L2
L1：所有学习参数w的绝对值的和
L2：所有学习参数w的平方和然后求平方根
在计算损失函数时加上正则项，减少特征量的权值，减少方差，避免某些参数值过大即过于“依赖”某些神经元，
- dropout
dropout在深度学习网络的训练过程中，多余神经网络单元，按照一定的概率将其暂时兄网络中丢弃。
训练网络的每个单元要添加一道概率流程：
在每次模型中忽略一些节点的数据学习，将小概率的异常数据获得学习的机会降低，这样这些异常数据对模型的影响就会更小了。keep_prob：保持率，如果为1，则代表全部进行学习。
dropout改变了神经网络的网络结构，它仅仅是属于训练时的方法，所以一般再进行测试时要将dropout的keep_prob变为1，代表不需要进行丢弃，否则会影响模型的正常输出。