动手训练模型系列：过拟合与训练集规模

本模型实现对512*512图像的像素二分类问题；红色或蓝色的样本点（每个样本包含坐标(x,y)值）坐落在对应颜色的区域内则样本正确分类，反之分类错误；

loss值采用Cross_entropy计算，表征训练/测试样本与实际训练/测试分类结果的总误差。

操作介绍:

在＂训练集与测试集数量比＂横轴上选择不同的按钮(1:9,1:1,9:1)，点击＂模型训练＂按钮

模型结构:

ANN人工神经网络, 两层全连接层FC Layer隐含层

（点击图片 进入动手训练模型小程序）

模型训练小结:

过拟合(Overfit)是AI模型训练中一个常见且重要的问题，具体表现为：一个针对训练集样本表现良好的模型，针对测试集表现出泛化性不足，无法正确完成模型任务．造成过拟合的原因主要是训练集样本相对于测试集样本的规模过少或特征分布差异过大．下面实验，我们将手动选择三个不同的数据集，完成不同模型训练并观察过拟合现象的出现。 当训练集相对于测试集过小或特征差异过大时，容易出现过拟合现象。

模型参数备注:

激活函数Activation: Sigmoid 正则化策略Regularization：None 学习率Learning rate: 0.1 Batch Size:1 Epoch迭代次数:1000