将正则化用到卷积神经网络中的代码

下面是将L2正则化应用到卷积神经网络（CNN）中的示例代码：

import tensorflow as tf

# 定义L2正则化参数
LAMBDA = 0.01

# 定义CNN模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1),
                           kernel_regularizer=tf.keras.regularizers.l2(LAMBDA)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu',
                           kernel_regularizer=tf.keras.regularizers.l2(LAMBDA)),
    tf.keras.layers.MaxPooling2D((2,2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu',
                          kernel_regularizer=tf.keras.regularizers.l2(LAMBDA)),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

在上面的代码中，我们使用了`tf.keras.regularizers.l2`函数来定义L2正则化参数，并将其应用于卷积层和全连接层。在模型编译时，我们使用了`'adam'`优化器和`'sparse_categorical_crossentropy'`损失函数进行训练。