在DL中，L1和L2正则化经常被使用到，因为大于1L的正则化都是凸优化的问题，是个简单问题，可以被解决。

首先说正则的意义：

一切可以缓解过拟合的方法，都可以被叫做正则化

我最开始理解正则化的时候就是看lhy老师所理解的：防止模型w过大，导致过拟合，为什么？

因为w过大，之后测试或者验证的时候，你如果引入了噪声，噪声也会被放大，我们不要那么敏感，引入了正则项，也就是w的欧式距离(L2)或者曼距离（l1）。这样就考虑loss函数的时候，你也必须看距离也要小。

现在看来，为什么后面加入的是lambad/2 *l2的范数

要让w在一个可行域的范围之类,b只是平移的结果，所以不考虑

这样就可以限制距离范围

这里就是在约束w的距离，不要太大

而这里，求函数的极值，引入了拉格朗日乘数法来求解，lambad就是拉格朗日乘数法的系数。

这样一切都好解释，绿色代表距离，红色代表以前loss的线

但是和我们加入的正则项不同，因为这里只是多了个常数项，超参数只有c，我们可以更简单的理解为我们求导求极值，其实w是相同的！

 

因为我们加的就是没有常数项，相当于很多个圆，很多个交点？不对，我们超参数就变成了lambad，这张图告诉我们左图L2正则化带来的是w的衰退，而右图就是L1带来的不仅是衰退，还有稀疏性，因为调整lambad甚至可以让一个feauture不起作用，不用考虑！

L1调整lambad可以简化问题，可以带来稀疏性

 不用担心这样做，会以为本来的w很大，结果故意限制了w的大小，带来的偏差，因为本来就可以等价，因为很多w和b的值都能够成为最值，我们要做的 限制他的大小罢了

带来的偏差只是图中的d罢了，而不是到中心的距离！

这是目前我对l1，l2的理解

参考lm wmt lhy老师