深度学习中正则化的代码

在深度学习中，正则化可以用于减少模型的过拟合。以下是一个示例代码，使用 L2 正则化对模型的权重进行惩罚：

from tensorflow.keras import layers, regularizers

model = keras.Sequential([
    layers.Dense(64, activation='relu',
                 kernel_regularizer=regularizers.l2(0.001)),
    layers.Dense(32, activation='relu',
                 kernel_regularizer=regularizers.l2(0.001)),
    layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

在上面的例子中，`kernel_regularizer` 参数设置为 `regularizers.l2(0.001)`，表示使用 L2 正则化，惩罚系数为 0.001。这将对模型的权重进行惩罚，使其在训练过程中更加平滑，减少过拟合的可能性。