TensorFlow之如何用dropout解决神经网络的过拟合问题


from __future__ import print_function
import tensorflow as tf
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer

# load data
digits = load_digits()#载入数据
X = digits.data
y = digits.target
y = LabelBinarizer().fit_transform(y)#将数据中的y变成向量形式
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3)#将数据分为训练集和测试集


def add_layer(inputs, in_size, out_size, layer_name, activation_function=None, ):
    # add one more layer and return the output of this layer
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1, )
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    # here to dropout
    Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)
    #把输出舍去掉百分之五十，这样就相当于随机拿掉了百分之五十的神经元，
    #每一次训练都随机来一次，这样就做到了避免过拟合的问题（太过依赖于整体的神经元）
    #，相当于分别训练，这样比较合理
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b, )
    tf.summary.histogram(layer_name + '/outputs', outputs)#在tensorboard中的histigram中显# 
                                                          #示outputs
    return outputs


# define placeholder for inputs to network
keep_prob = tf.placeholder(tf.float32)
xs = tf.placeholder(tf.float32, [None, 64])  # 8x8
ys = tf.placeholder(tf.float32, [None, 10])

# add output layer
l1 = add_layer(xs, 64, 50, 'l1', activation_function=tf.nn.tanh)
prediction = add_layer(l1, 50, 10, 'l2', activation_function=tf.nn.softmax)

# the loss between prediction and real data
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))  # loss
tf.summary.scalar('loss', cross_entropy)#在tensorboard中的scalar里显示损失
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.Session()
merged = tf.summary.merge_all()#将要在tensorboard中显示的框架汇总
# summary writer goes in here
train_writer = tf.summary.FileWriter("logs/train", sess.graph)#生成第一个文件，用于看训练集
test_writer = tf.summary.FileWriter("logs/test", sess.graph)#生成第二个文件，用于看测试集
#
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()
sess.run(init)#变量赋初值
for i in range(500):
    # here to determine the keeping probability
    sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})#其中，keep_prob表示保持百分之五十的输入，一般被舍去了
    if i % 50 == 0:
        # record loss
        train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})#用于测试集就不用舍去了，因为网络已经训练好了
        #将训练集值在tensorboard中显示
        test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})
        #将测试集值在tensorboard中显示
        train_writer.add_summary(train_result, i)#加载到summary当中
        test_writer.add_summary(test_result, i)#加载到summary当中

来源

关于过拟合的理解：

https://yq.aliyun.com/articles/68901

https://blog.csdn.net/stdcoutzyx/article/details/49022443

自己的理解：

1、由于一个神经网络权重太多了，就容易产生过拟合问题。

2、训练一个整体的神经网络特别耗费时间。

这也是为什么引入dropout方法去训练神经网络的原因。

举个例子：50个人去完成一个任务

方法一：将50个人十分精确的分工，合力去完成任务。

类似于不加dropout去训练神经网络，特点是效率慢，可能会变得偏执，从而不能很好的完成这项任务。

方法二：把50个人分成10批，每批5个人，让这10批人分别去完成这项任务，完成任务即可。

类似于加了dropout去训练神经网络，优点是节省时间，效率快，不会偏执，最终完成的效果比较好。

对于以上第一个链接我的理解：

训练阶段乘以Xi是用来控制哪些神经元发生作用，哪些神经元不发生作用。Xi为1的概率为q，这是该神经元就发生了作用，为0的概率为1-q，这是该神经元就不发生作用，这样的话对总体的神经元随机挑选概率为q的神经元去训练，每次迭代的过程都进行随机挑选概率为q的神经元去训练，最终对所有的神经元都进行训练。测试阶段乘以q是挑选分工好的神经元去完成这项任务，因为训练的时候是对神经元按批次去训练的，所以预测的时候也不是用到所以的神经元，而是挑选小队去预测。

for i in range(500):
   
    sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})
     #0.5表示批次选百分之50的神经元训练，相当于一个小队，每次迭代随机选一个小队训练。
     #预测的时候要乘以这个概率，因为训练时是分工训练的，预测时也要选出分工时候对应的神经元数。

TensorFlow之如何用dropout解决神经网络的过拟合问题

猜你喜欢