tensorflow第三课引入dropout

tensorflow第三课 dropout

 # -*- coding: utf-8 -*-
import tensorflow as tf 
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size=100
#计算一共有多少个批次
n_batch=mnist.train.num_examples//batch_size
#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])#一张图片拉为784列，行不确定none为100，下一步对none进行赋值
y=tf.placeholder(tf.float32,[None,10])#标签0-9，10个数
keep_prob=tf.placeholder(tf.float32)#用来设置的dropout

#创建一个神经网络
#初始化环节，改变初始化方式，此方式为TensorFlow种最常用初始化
#加入多层隐藏层

#第一层隐藏层
W1=tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))
b1=tf.Variable(tf.zeros([2000])+0.1)
l1=tf.nn.tanh(tf.matmul(x,W1)+b1)
l1_drop=tf.nn.dropout(l1,keep_prob)#keep_prob为dropout的值大于0小于1

#第二层隐藏层
W2=tf.Variable(tf.truncated_normal([2000,2000],stddev=0.1))
b2=tf.Variable(tf.zeros([2000])+0.1)
l2=tf.nn.tanh(tf.matmul(l1_drop,W2)+b2)#激活函数为Tanh — Hyperbolic tangent（双曲正切函数）
l2_drop=tf.nn.dropout(l2,keep_prob)


#第三层隐藏层
W3=tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1))
b3=tf.Variable(tf.zeros([1000])+0.1)
l3=tf.nn.tanh(tf.matmul(l2_drop,W3)+b3)
l3_drop=tf.nn.dropout(l3,keep_prob)

#输出层
W4 = tf.Variable(tf.truncated_normal([1000,10],stddev=0.1))
b4 = tf.Variable(tf.zeros([10])+0.1)
prediction = tf.nn.softmax(tf.matmul(l3_drop,W4)+b4)

#交叉熵损失
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#定义一个梯度下降发进行训练的优化器学习率0.2
optimizer=tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train_step=optimizer.minimize(loss)

init=tf.global_variables_initializer()

#求准确率的方法,结果存放在一个布尔型列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回函数中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
    sess.run(init)
    #所有图片训练200次
    for epoch in range(200):
        for batch in range(n_batch):#所有图片循环一次
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0})#以字典的形式传入dropout参数以及图像，标签
        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        train_acc=sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep_prob:1.0})
        print('iter '+str(epoch)+'testing Accuracy '+str(test_acc)+',training Accuracy '+str(train_acc))  

经过训练后加入隐藏层训练后得到的结果如下图所示：