一个在约10,000张受控图像上训练的模型，在训练集上表现良好，但在未见过的测试图像上表现不佳（训练误差随epoch减少，而测试误差保持较高）。哪些措施有助于解决这个问题？（选择两项）

这个问题描述的是模型过拟合的典型症状：在训练集上表现良好，但在未见过的数据上表现不佳。 数据增强（Data Augmentation）通过对现有训练数据进行随机变换（如旋转、翻转、裁剪等），人工增加训练数据集的大小和多样性，从而帮助模型学习更泛化的特征，减少对特定训练样本的依赖，有效缓解过拟合。 L2（权重）正则化通过向损失函数添加模型权重的平方和项，惩罚大的权重值，促使模型学习更简单、更平滑的决策边界，从而降低模型的复杂度，提高泛化能力，对抗过拟合。 增加神经网络架构的复杂性会使模型更容易过拟合，而不是解决过拟合。梯度检查是用于验证反向传播实现是否正确的调试工具，与解决过拟合无关。添加 vanishing gradient 是一种模型训练中的问题，而不是解决过拟合的方法。