一個深度 TensorFlow 網路符合訓練資料，但對新資料的泛化能力很差。哪種技術可以減少過度擬合？

當深度 TensorFlow 網路對訓練資料過度擬合（overfit）時，表示它學習到訓練資料中的雜訊和特定模式，導致在新資料上的表現不佳。Dropout 是一種有效的正則化技術，它在訓練期間隨機地「關閉」（drop out）一部分神經元及其連接。這迫使網路學習更穩健的特徵，而不是依賴於任何單一神經元的特定輸出，從而減少了神經元之間的複雜協同適應，提高了模型的泛化能力。 Threading 和 Serialization 是軟體工程概念，與減少模型過度擬合無直接關聯。Dimensionality Reduction（降維）可以減少特徵數量，有助於簡化模型和減少過度擬合，但 Dropout 更直接地作用於神經網路的結構和學習過程。