TensorFlow学习（4）拟合

回归问题

分类问题

解决方法

正则化其实就是减少修改权重的步子，也就是减少误差，降低权重的重要性

Dropout 每次迭代使部分神经元工作，部分不工作，使得似乎是多个模型的平均结果，测试的时候使用所有的神经元

Dropout 会使收敛速度变慢

如果分别使用训练集、测试集计算准确度，画出曲线，如果这两条曲线偏差比较大，那么说明发生过拟合，因为用新的数据时准确度明显下降。如果使用 Dropout 后两条曲线间距非常小，说明 Dropout 起作用了

Dropout 使用如下

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)
# 不是一张张图片放入神经网络，定义一个批次，一次 100

batch_size = 100
# 计算一个有多少批次，整除
n_batch = mnist.train.num_examples // batch_size

x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

# 设置 Dropout 有百分之多少的神经元工作
keep_prob = tf.placeholder(tf.float32)

# 创建一个简单的神经网络
# W = tf.Variable(tf.zeros([784, 10]))
# b = tf.Variable(tf.zeros([10]))

# 用截断的正太分布，标准差为 0.1 进行初始化
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 是某一层的神经元输出，keep_prob 设置有百分之多少的神经元工作
L1_dropout = tf.nn.dropout(L1, keep_prob)

# 增加隐藏层
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_dropout, W2)+b2)
L2_dropout = tf.nn.dropout(L2, keep_prob)

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_dropout, W3)+b3)
L3_dropout = tf.nn.dropout(L3, keep_prob)

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_dropout,W4)+b4)

# 交叉熵代价函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))

# 梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

init = tf.global_variables_initializer()

# 结果存放在布尔型列表中
# tf.equal 相等返回 True，否则 False，argmax 比较 y 中哪个元素的值为 1，返回该元素下标
correct_predition = tf.equal(tf.argmax(y, 1), tf.argmax(prediction, 1))
# 求准确率
# tf.cast 将布尔型转换为32位浮点型，True -> 1.0，False -> 0.0，然后求平均值，如有 9 个 1,1 个 0，平均值为 0.9，准确率为 0.9
accuracy = tf.reduce_mean(tf.cast(correct_predition, tf.float32))

with tf.Session() as sess:
    sess.run(init)
    # 循环 21 个周期，每个周期批次为 100，每个周期将所有图片都训练一次
    for epoch in range(31):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step, feed_dict={x:batch_xs, y:batch_ys, keep_prob: 0.7})
        #训练完一个周期看下准确率
        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) + ', Testing Accuracy'+ str(train_acc))

TensorFlow学习（4）拟合

猜你喜欢