过拟合：神经网络模型在训练数据集上的准确率较高，在新的数据进行预测或分类时准确率较低，说明模型的泛化能力差。
正则化：在损失函数中给每个参数w加上权重，引入模型复杂度指标，从而抑制模型噪声，减小过拟合。
使用正则化后，损失函数loss变为两项之和：
loss = loss(y与y_) + REGULARIZER * loss(w)
其中，第一项是预测解锁与标准答案之间的差距，如之前讲过的交叉熵、均方误差；第二项是正则化 计算结果。
正则化计算方法：
用Tensorflow函数表示：loss(w) = tf.contrib.layers.11_regularizer(REGULARIZER)(w)
用Tensorflow函数表示:loss(w) = tf.contrib.layers.12_regularizer(REGULARIZER)(w)
用Tensorflow函数实现正则化：
tf.add_to_collection(losses",tf.contrib.layers.12_regularizer(regularizer)(w))
loss = cem + tf.add_n(tf.get_collection(‘losses’))
例如：
用300个符合正态分布的点X[x0,x1]作为数据集，根据点X[x0,x1]计算生成标注Y_，将数据集标注为红色点和蓝色点。
标注规则为：
我们分别用无正则化和有正则化两种方法，拟合曲线，把红色点和蓝色点分开。在实际分类时，如果前向传播输出的预测值y接近1则为红色点概率越大，接近0则为蓝色点概率越大，输出的预测值y为0.5是红蓝点概率分界线。
matplotlib模块：Python中的可视化工具模块，实现函数可视化
终端安装指令：sudo pip install matplotlib
函数plt.scatter():利用指定颜色实现点(x,y)的可视化
plt.scatter(x坐标，y坐标,c=“颜色”)
plt.show()
收集规定区域内所有的网络坐标点：
xx, yy = np.mgrid[起：止：步长，起：止：步长] #找到规定区域以步长为分辨率的行列网络坐标点
grid = np.c_[xx.ravel(), yy.ravel()] #收集规定区域内所有的网络坐标点
plt.contour()函数：告知x、y坐标和各点高度，用levels指定高度的点描上颜色
plt.contour(x轴坐标值，y轴坐标值，该点的高度，levels=[等高线的高度])
plt.show()
本例代码如下：
执行代码，效果如下：
首先，数据集实现可视化
接着，执行无正则化的训练过程，把红色的点和蓝色的点分开，生成曲线如下图所示：
最后，执行有正则化的训练过程，把红色的点和蓝色的点分开，生成曲线如下图所示：
对比无正则化与有正则化模型的训练结果，可看出有正则化模型的拟合曲线平滑，模型具有更好的泛化能力。
