TensorFlow2 Python深度学习 - 使用Dropout层解决过拟合问题

锋哥原创的TensorFlow2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1X5xVz6E4w/

课程介绍
​
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

TensorFlow2 Python深度学习 - 使用Dropout层解决过拟合问题

之前的Fashion MINIST示例，我们会发现一个问题，训练数据准确率效果挺好，但是到了测试验证准确率就相对变差。这个其实就是过拟合了，原因就是训练过来的模型过于复杂。

我们在之前学习机器学习的时候，学过过拟合和欠拟合。

简单总结：

过拟合是模型过于复杂，导致训练数据表现好，但是测试数据表现就差。

欠拟合是模型过于简单，导致训练数据和测试数据表现都不好。

在神经网络里面，欠拟合问题很好解决，我们只需要增加层，增加每层的神经元，以及增加轮训训练次数即可。

解决过拟合的话，我们也有多种解决方案，适当的减少层，降低神经元数，以及我们今天要介绍的，使用Dropout丢弃层。

只需要在全连接之前，加一个Dropout丢弃层即可。

Dropout丢弃层是一种神经网络正则化技术，通过在训练阶段随机丢弃部分神经元，防止模型过拟合并提升泛化能力。

layers.Dropout(0.5),  # 添加Dropout层来防止过拟合 随机丢弃50%的节点

我们重新运行测试，发现训练数据和验证数据效果都好很多了。