然后呢回到我们 pp 当中 ，再给大家解释一给大家解释一个事儿 ，如果说这一块儿 ，这一块我的输入数据它是一个呃800×600吧 ，唉哟 ，我怎么把这个关闭关了 ，在这里我们的输入数据它是一个800乘上一个600的同样数据 ，啊再乘上一个三 ，然后呢大概是约等于一个100万是吧 ，大概等于100万这样一个全参数要比这个多啊 ，那接下来我们干什么 ，接下来我要把这个参就是每组数据都分别往下去传了 ，传完之后啊我就要进行一个计算了 ，算什么啊 ，就是刚才咱那个值看一下当前网络怎么样建模合适 ，然后建模完之后呢 ，我们要干什么 ，评估一下它的一个基本的损失了 ，然后大家在建模的时候还强一点 ，就是比如说这个嗯我的一个收入 ，它是一个100万个相似点吧 ，100万乘上一个一中间隐藏呢中间一层 ，它可能就是也是一种变换的方法 ，但是大家想一个问题啊这里是一个神经元 ，是乘个乘个一乘什么东西吧 ，两个神经元呢 ，三个神经元呢 ，四个神经元呢 ，所以说啊在这里是这样一件事儿 ，当你增加了一个神经元 ，你不是说只增加了一个参数 ，而是增加了这样一组参数啊 ，比如这里我再加一个人进来 ，那是不是前面的每一个还在这里啊 ，那是不是相当于加了一组 ，而不是相当于加了一个吧 ，这个是神经网的特点啊 ，它在计算过程当中 ，它是一组一组往里去加的 ，你看起来就是神经元的一个隐藏是 n 个数加了一 ，但实际上它可能增加的参数是几千万个参数 ，这一点不要忘记 ，它是增加了一组 ，而不是增加了一个 ，然后咱们再接下来看 ，接下来一看就是我们的一个正则化 ，它对结果的一个影响了 ，在这里呢分别这出来几个就是但正则化成的力度比较小和正常力度比较大的时候 ，得到的一个现象 ，你越小的一个栏目的值越符合什么 ，越符合训练级的一个结果 ，

因为我们在计算 loss 的时候 ，这样就是一个训练级的一个 loss ，我写个电吧一个圈解 loss ，再加上什么 ，再加上我当前的一个 rw 吧 ，组成了我最终咱的一个惩罚力度吧 ，如果惩罚力度比较小的前提下 ，你看像什么左边这个图当中 ，左边这个图像做成力度比较小 ，所以说你整体模型还是奇形怪状的 ，看起来是不太那么合适吧 ，这个是你就是那个程度比较小的时候 ，那会有什么现象呢 ，比如这里这个点大家看它本身是不是可能是一个绿色啊 ，但实际上你可以把它判断成绿色了吗 ，没有吧 ，而且把它判断成了一个红色 ，所以这一块这个点可能有点不对 ，但是呢我们之前是不是跟大家说了 ，我们要选择一个惩罚力度 ，当你的力度比较小的时候 ，咱让它做起来 ，可能效果没有那么好吧 ，因为它还是过拟合的 ，那大家可以看到就是随着这个栏目的进行增大 ，那这一块由这个0.0001到这个0.01到这个0.1 ，但整体的一个变化趋势是什么样子 ，我整体的变化趋势是不是咱们看下面这个图吧 ，当我手里有加大的前提下 ，是不是 w 都做得比较规范了 ，这里为什么会出现这个奇形怪状的形状啊 ，因为某些 wa 逐极高 ，某些 w 极低啊 ，这样是形成了一些不稳定的现象 ，一旦是稳定啊 ，就是这样一个平滑的一个边界 ，那大家可能问一个问题 ，你说现在啊 ，有这些狼是比较小的 ，而且现在也挺好 ，有些蓝是比较大的 ，可能在车上稍微好一点儿 ，