正则项在优化过程中层的参数或层的激活值添加惩罚项，这些惩罚项将与损失函数一起作为网络的最终优化目标
惩罚项基于层进行惩罚，目前惩罚项的接口与层有关，但Dense, Conv1D, Conv2D, Conv3D具有共同的接口。
这些层有三个关键字参数以施加正则项：
kernel_regularizer：施加在权重上的正则项，为keras.regularizer.Regularizer对象
bias_regularizer：施加在偏置向量上的正则项，为keras.regularizer.Regularizer对象
activity_regularizer：施加在输出上的正则项，为keras.regularizer.Regularizer对象
例子 from keras import regularizersmodel.add(Dense(64, input_dim=64, kernel_regularizer=regularizers.l2(0.01), activity_regularizer=regularizers.l1(0.01))) 可用正则项 keras.regularizers.l1(0.)keras.regularizers.l2(0.)keras.regularizers.l1_l2(0.) 开发新的正则项任何以权重矩阵作为输入并返回单个数值的函数均可以作为正则项，示例：
from keras import backend as Kdef l1_reg(weight_matrix): return 0.01 * K.sum(K.abs(weight_matrix))model.add(Dense(64, input_dim=64, kernel_regularizer=l1_reg)可参考源代码keras/regularizer.py