链接：https://www.cnblogs.com/zhhfan/p/10476761.html
过拟合解决方案：
在多标签分类模型中就采用了这种方法。但是前提是你的模型时正常训练的-（我的模型就是不正常的，所以这里是一个坑，坑了我几天），否则，在实际运行的时候就出现突然一下跳出个F：99%，这还是不可取的。所以在此之前要将模型调的正常才行。当然这是一种防止过拟合的方式：针对那种验证集损失先下降，然后又上升的的情况。
大多数的情况：调整L1，L2 ，调节dropout。。。（规律：正则前面的系数越大，损失就会越大，例如你刚开始系数是0.0001,loss是5.0最大，当系数是0.01时候，loss可能变成了32最大，并且loss在18左右就不在变化。用训练集（train）同时去测试的时候，准确率慢慢升高最终只停留在70%左右，没有系数是0.0001时的98%这么高。防止了过拟合也整个模型最终的准确率在train数据集上下降。还可能引起欠拟合）-（在L2系数:0.01不并的情况下，学习率（Ir）,当ir:0.01时一下子掉落在loss18左右，一直在18左右振荡，没有准确率，Ir:0.001快数下降到loss18,随后在18左右振荡。ir:0.0001,loss稳定下降至18，在18左右振荡，振荡幅度较小，有验证集上的的F1缓慢上升，上升至68%左右不再上升。训练集上也正常上升，但是上升到53%，ir:0.00001,loss非常缓慢的下降逐渐下降，需要500epoch才能下降至loss18左右，）
出现过拟合的原因：
