it is possible to use both L2 regularization and dropout
np.sum
没有指明维度，那么np.sum计算的是整个矩阵的和
### START CODE HERE ### (approx. 1 line)
L2_regularization_cost = np.sum((np.sum(np.square(W1)),np.sum(np.square(W2)),np.sum(np.square(W3))))*lambd/(2*m)L2_regularization_cost 适合于希望超参数少的情况，现在只需要调lambd
如果lambd太大的话，分类就会太“平滑”，导致高偏差.
点击查看更多内容
1人点赞
评论
共同学习，写下你的评论
评论加载中...
作者其他优质文章
正在加载中
感谢您的支持，我会继续努力的～
扫码打赏，你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫，即可进行扫码打赏哦