一個模型在約 10,000 張受控影像上進行訓練，訓練集擬合良好，但在未見過的測試影像上表現不佳（訓練錯誤隨著 epoch 數增加而減少，而測試錯誤仍然很高）。哪些措施有助於解決這個問題？（選擇兩項）

這個問題描述的是模型過度擬合 (overfitting) 的典型情況：在訓練資料上表現良好，但在未見過的測試資料上表現不佳。 資料擴增 (data augmentation) 透過生成更多樣化的訓練樣本（例如旋轉、翻轉、裁剪影像），有效地增加了訓練資料集的大小和多樣性，有助於模型學習更泛化的特徵，減少對特定訓練樣本的依賴，從而緩解過度擬合。 L2 正規化 (regularization) 透過在損失函數中加入權重平方和的懲罰項，鼓勵模型使用較小的權重值。這可以防止模型過度依賴任何單一特徵，使模型更平滑，降低其複雜度，進而提高泛化能力，減少過度擬合。 增加 vanishing gradient 會使模型更難學習，因為梯度會變得非常小，無法有效更新權重。增加神經網路架構的複雜度反而可能加劇過度擬合。梯度檢查是用於驗證反向傳播實現是否正確的工具，與解決過度擬合無直接關係。