怎么添加正则化，代码示例

在神经网络中，添加正则化通常是通过在损失函数中添加正则化项来实现的。常见的正则化项有L1正则化和L2正则化。在Keras中，可以通过在层中设置`kernel_regularizer`参数来添加正则化项。

下面是一个使用L2正则化的代码示例：

from keras.models import Sequential
from keras.layers import Dense
from keras import regularizers

model = Sequential()
model.add(Dense(64, activation='relu', kernel_regularizer=regularizers.l2(0.01), input_dim=100))
model.add(Dense(1, activation='sigmoid'))

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

在上面的示例中，我们使用`regularizers.l2`函数来添加L2正则化项，并将参数设置为0.01。这将会在模型的每个权重上添加一个L2正则化项。

除了在层中添加正则化项之外，还可以在优化器中添加正则化项。下面是一个使用L2正则化的优化器的代码示例：

from keras.models import Sequential
from keras.layers import Dense
from keras import regularizers
from keras import optimizers

model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))

sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True, kernel_regularizer=regularizers.l2(0.01))
model.compile(optimizer=sgd, loss='binary_crossentropy', metrics=['accuracy'])

在上面的示例中，我们使用`optimizers.SGD`函数来创建一个带有L2正则化项的SGD优化器。我们将正则化参数设置为0.01，这将在优化器中的每个权重上添加一个L2正则化项。