如何看待L1、L2规则化
将它们视为loss函数中引入了惩罚项。
我们的目的是希望求出在参数值取多少时，loss函数是最小的；但是引入L1、L2规则化算子后（这时就变成拉格朗日函数），相当于给参数的取值套了个“紧箍咒”：
不再像原来那样可以*自在地随便给参数取值
原因在于我们可以看到L1、L2都恒大于0，而我们的目标是要求得min
这正是regularization（规则化）的来由（有的翻译为正则化，感觉不够贴切）。
我们还可以从另一个角度看待：
loss函数是希望参数取值往其极小值方向去;规则化是希望往其中心点去两者就像两个人在拔河，最后找到了一个平衡点，就是最后的参数值
注意加入规则化会使得loss函数的等值线（上图彩色线）发生变化，实际是在新的目标函数下求解。
为什么L2规则化可以防止过拟合
L2规则化
->求得的参数值小
->不会因为输入值的微小偏差，导致输出发生巨大变化（克服了ill condition）。（这就是好的泛化）
关于L2的其他
L2将函数转为了λ-stronglyconvex（强凸）：
“强凸”的话，就能对情况做一些控制，我们就可以得到一个更好的近似解。
Ref
机器学习中的范数规则化之（一）L0、L1与L2范数