正则化：
一般可以通过减少特征或者惩罚不重要特征的权重来缓解过拟合，但是我们通常不知道该惩罚那些特征的权重，而正则化就是帮助我们惩罚特征权重的，即特征的权重也会成为模型的损失函数一部分。可以理解为， 为了使用某个特征，我们需要付出loss的代价（loss为给权重weight加的一个loss，正则化），除非这个特征非常有效，否贼就会被loss上的增加覆盖效果。这样我们就能筛选出最有效的特征，减少特征权重防止过拟合。
一般来说，L1正则会制造稀疏的特征，大部分无用特征的权重会被至为0,
L2正则会让特征的权重不过大，使得特征的权重比较平均。 tensorflow.nn.l2_loss(weight) 就是计算weight的L2 loss。
数据增强：
tf.image.random_flip_left_right(): 照片的随机水平翻转 //这里没写参数列表，下同
tf.random_crop()：从照片中随机剪切一块照片
tf.image.random_brightness():设置随机的亮度
tf.image.random_contrast():设置随机的对比度
tf.image.per_image_whitening():对数据进行标准化（对数据减去均值，除去方差，保证数据0平均， 方差为1）