正则化需平衡模型能力与过拟合抑制，图像分类中数据增强、Dropout、权重衰减和早停最实用：数据增强通过轻量变换扩充数据；Dropout在全连接层前随机屏蔽神经元；权重衰减在优化器中添加L2惩罚；早停配合学习率调度保存最佳权重。
正则化不是加得越多越好，关键是在不过度抑制模型能力的前提下，有效缓解过拟合。图像分类任务中，数据增强、Dropout、权重衰减和早停是最实用、最易落地的四类手段。
数据增强：最经济高效的正则化方式
对输入图像做轻量但多样的变换，相当于“免费扩充数据”，让模型见多识广，不依赖特定像素模式。常用操作包括随机水平翻转、小角度旋转（±15°）、亮度/对比度微调、随机裁剪再缩放。注意避免破坏语义——比如医学图像不宜垂直翻转，文字识别不宜旋转90°。Keras中用ImageDataGenerator或PyTorch中用torchvision.transforms即可快速启用，训练时开启，验证时关闭。
Dropout：在特征层上做“随机屏蔽”
在全连接层前加Dropout（推荐0.3–0.5），CNN主干后接全局平均池化时，也可在池化后加一层Dropout。不要在卷积层内部使用Dropout（效果弱且拖慢训练）；更别在BN层之后紧跟Dropout（会干扰BN的统计稳定性）。实际写法示例：nn.Dropout(0.4)，放在激活函数之后、下一层线性变换之前。
权重衰减（L2正则）：给优化目标悄悄加个“惩罚项”
在优化器中设置weight_decay参数（如AdamW或SGD(..., weight_decay=1e-4)），比手动在loss里加L2项更规范。注意只对可学习权重（如卷积核、全连接权重）施加，偏置（bias）和BN参数通常不加。数值从1e-4起步，若训练损失下降变慢但验证准确率提升，说明力度合适；若训练损失卡住不动，就该调小。
立即学习“Python免费学习笔记（深入）”；
早停 + 学习率调度：用策略代替蛮力
监控验证集准确率（而非损失），连续5–10个epoch没提升就停止训练。同时配合ReduceLROnPlateau：当验证指标停滞时，自动将学习率×0.5～0.7。这两者组合，能避免模型在后期反复震荡、拟合噪声。记得保存最佳模型权重（ModelCheckpoint），而不是最后一步的权重。
基本上就这些。不需要堆砌所有技巧，选2–3种组合用好，比盲目加一堆正则更有效。
