后，可以说，在理解上对本周的内容不会存在什么难度。
当然，我也会对一些新出现的概念补充一些基础内容来帮助理解，在有之前基础的情况下，按部就班即可对本周内容有较好的掌握。
本篇继续上篇的内容，在完成正则化部分后，再补充一些课程里提到的其他缓解过拟合的方法。
1.数据增强
之前提到解决过拟合最好的方法就是增加数据量，但受限于各个方面有时获取新数据并不容易。
因此，就出现了数据增强，数据增强并不是引入新数据，而是以一些方式增强现有数据，到达“丰富数据集”的效果。
什么方式？看一眼就明白了：
Pasted image 20251031093931
我们可以对图像进行翻转、裁剪、旋转、模糊、亮度变化等处理。虽然这些样本并没有提供全新的信息，但它们能让模型学习到更广泛的特征变化。
这样的操作看起来有些取巧，但也确实能做到一些查漏补缺，配合正则化有时能实现不错的效果。
简单举个例子：上图里的猫，我们对其处理后并不能提供太多新信息，从高维上讲，模型依旧拟合的是橘猫的模样，但是反转，裁剪后，我们可以改变猫头的位置，在图中的比例。或者在模糊后训练模型的“视力”。模型可以学会识别“同一类目标在不同条件下的表现”，起到丰富低维特征的作用。
要强调一点的是，课程中提到，数据增强也可以被称为一种正则化方法。
2.早停（early stopping）
我们再回顾一下过拟合，在训练神经网络时，我们常常会遇到这样一种现象：
模型在训练集上的损失不断下降，但在验证集上的性能却在某个时刻开始变差——也就是说，模型开始记住训练数据的噪声，出现了过拟合。
“早停”正是针对这一问题的一种简单而有效的策略。
早停的核心思想是：当模型在验证集上的表现不再提升时，就提前停止训练，而不是一味追求训练损失的最小化。
换句话说，我们不让模型在训练集上“学得太好”，而是在它刚开始出现过拟合的拐点提前终止，让模型保持在一个“泛化性能最好”的状态。
通常的做法是：
在每一轮（epoch）训练后，计算模型在验证集上的损失；
如果验证集损失在连续若干轮（称为耐心值 patience）中没有显著改善，就停止训练；
最后保留验证集效果最好的那一轮的模型参数。
如图所示：
Pasted image 20251031101136
总的来说，早停的优点在于它能在验证集性能开始下降前及时停止训练，从而有效防止过拟合，并节省训练时间；实现起来也十分简单。
但它也有不足——如果停止得太早或验证集波动较大，模型可能还没学到足够的特征就被迫中断，导致欠拟合；同时，早停依赖验证集的表现，可能带来一定的不稳定性。
本篇内容不多，加上前两篇，这部分内容总结了一些帮助缓解过拟合的方法，涉及到一些新的概念，因此花费了一些篇幅来帮助理解，之后的内容在理解上的难度就没有这部分高了，进度也会快一些。
