前一篇：《人工智能模型训练技术：随机失活，丢弃法，Dropout》
序言：让人工智能模型变得更“聪明”的方法之一，就是减少“过拟合”（读死书）的问题，从而提升模型的“泛化能力”，也就是它面对新问题时的适应能力。在前面，我们讲解了最常用的“随机丢弃”法，本节将带大家了解另一种重要的方法——“正则化”。
那么，正则化主要做什么呢？用现实生活中的案例来比喻，正则化的作用就像学校里的老师，目的是引导学生往正确的方向走，而不是死记硬背课本，或者因为某些考试题目熟悉而侥幸得高分。老师会通过约束学生的行为，比如规范学习方法、减少偏科等，让学生学到的是通用的规律和解决问题的能力，而不是偏离正常轨道或者学到无用的信息。同样，正则化在人工智能中通过约束模型的权重等机制，帮助模型避免过拟合，提升它面对新数据的表现能力。
使用正则化
正则化是一种通过减少权重的极端化（polarization）来防止过拟合的技术。如果某些神经元的权重过大，正则化会对它们进行“惩罚”。总体来说，正则化有两种主要类型：L1 和 L2。
• L1 正则化 通常被称为套索正则化（lasso，最小绝对收缩和选择算子）。它的作用是帮助我们忽略权重为零或接近零的值，当计算层的结果时，这些权重会被有效地“抛弃”。
• L2 正则化 通常被称为岭回归（ridge regression），因为它通过计算权重的平方，将非零值和零值（或接近零的值）之间的差异放大，从而产生一种“山脊效应”。
这两种方法还可以结合起来，形成一种叫做弹性正则化（elastic regularization）的技术。
对于像我们当前这种自然语言处理问题，L2 正则化 是最常用的。你可以通过 kernel_regularizer 属性将它添加到 Dense 层中，这个属性接受一个浮点值作为正则化因子。这是另一个可以用来优化模型的超参数，值得尝试！
以下是一个示例代码：
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim),
tf.keras.layers.GlobalAveragePooling1D(),
tf.keras.layers.Dense(8, activation='relu',
kernel_regularizer=tf.keras.regularizers.l2(0.01)),
tf.keras.layers.Dense(1, activation='sigmoid')
])
在像这样的简单模型中，添加正则化的影响并不会特别大，但它确实让训练损失和验证损失的曲线变得更加平滑了一些。在这种场景下可能有点“用力过猛”，但和 Dropout 一样，了解如何使用正则化来防止模型过度专注（overspecialized）是一个非常重要的技能。
其他优化的考虑
虽然我们已经通过之前的修改得到了一个过拟合更少、性能更好的模型，但还有其他超参数可以进行实验。例如，我们之前将最大句子长度设置为 100，但这个值纯粹是随意选的，可能并不是最佳值。一个好主意是探索语料库，看看有没有更合适的句子长度。
以下是一个代码片段，用来检查句子的长度并将它们从短到长排序后绘制成图表：
xs = []
ys = []
current_item = 1
for item in sentences:
xs.append(current_item)
current_item += 1
ys.append(len(item))
newys = sorted(ys)
import matplotlib.pyplot as plt
plt.plot(xs, newys)
plt.show()
图 6-16 展示了这个代码的结果。
图 6-16：探索句子长度
在整个 26,000 多条语料中，长度达到 100 个单词或以上的句子不到 200 条。所以，把句子长度的最大值设为 100，就会引入很多不必要的填充（padding），这会影响模型的性能。如果把最大长度减少到 85，仍然可以覆盖 26,000 条语料中的 99% 以上，几乎不需要任何填充。
总结：正则化也是为了让模型变聪明的一种方法，即增强模型的泛化能力。它的角色就像我们从小到大的老师，负责引导和规范我们的学习框架和方向。下一节我们将把通过各种方法优化后训练好的模型，用于实际应用——分类新闻中的句子并进行预测。
