在tensorflow2.0建模系列教程中，前三节我们用代码演绎了：
1如何用tf2.0进行自定义层网络的设计（add.weight）
2如何用tf2.0进行自定义模型的设计（Model）
3如何用tf2.0实现loss函数和参数调优（loss gradient optimizer）
本节系列四主要是教大家如何运用tf2.0来解决神经网络模型训练过程中常出现的过拟合问题。我们都知道模型训练出来经常出现两种问题，欠拟合和过拟合。当神经网络设计的过于复杂时，就容易发生过拟合问题。那么如何避免神经网络模型训练中的过拟合呢？像机器学习模型里在最后损失函数中运用L1、L2正则化可以吗？答案是NO。
首先这里我们再简单复习下机器学习的正则化方法:
J(θ)+ λ *R(w)
在损失函数中加入刻画模型复杂程度的指标，假设模型的损失函数为J(θ)，那么我们在使用优化算法来优化损失函数的时候，不是直接优化J(θ)，而是优化J(θ)+ λ *R(w)。其中R(w)是指模型的复杂程度，λ表示模型复杂损失在总损失中的比例。需要注意的是这里的θ表示的是一个神经网络中的所有参数，它包括权重和偏置。一般来说，模型复杂度只由其权重（w）来决定。而常用的来刻画模型复杂度的函数R（w）有两种，一种是L1正则化，另外是L2正则化，表达如下：
L1正则化：
L2正则化：