在Keras中，可以通过在模型的层中使用正则化技术来防止过拟合。以下是一些常用的正则化技术：
L1正则化：通过向模型的损失函数中添加L1范数项（权重的绝对值之和）来惩罚模型的复杂度。可以在层的参数中使用kernel_regularizer=regularizers.l1()来添加L1正则化。
L2正则化：通过向模型的损失函数中添加L2范数项（权重的平方和）来惩罚模型的复杂度。可以在层的参数中使用kernel_regularizer=regularizers.l2()来添加L2正则化。
Dropout正则化：在训练过程中随机丢弃一定比例的神经元以防止过拟合。可以在层的参数中使用Dropout(rate)来添加Dropout正则化。
以下是一个简单的例子，演示如何在Keras中使用L2正则化来防止过拟合：
from keras.models import Sequential
from keras.layers import Dense
from keras import regularizers
model = Sequential()
model.add(Dense(64, input_dim=10, activation='relu', kernel_regularizer=regularizers.l2(0.01)))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))
在上面的例子中，我们在第一个全连接层中使用了L2正则化，惩罚系数为0.01。这将帮助防止模型在训练集上过拟合。您可以根据需要尝试不同的正则化技术和参数来优化模型的性能。