过拟合简单说，就是在机器学习中，模型训练效果好，但对新的测试数据预测很差。

 产生过拟合原因： 

     数据有噪声 

     训练数据不足，有限的训练数据 

     训练模型过度导致模型非常复杂 

避免过拟合方法（常见）： 

     early stopping，在发生拟合之前提前结束训练。 

     数据集扩增，最大的满足全样本。

     正则化，引入范数概念，增强模型泛化能力。 

     droput，每次训练时丢弃一些节点，增强泛化能力 

     batch normalization

     减小模型复杂度