tensorflow的基本用法(八)——dropout的作用
来源:互联网 发布:锦尚中国的源码怎么样 编辑:程序博客网 时间:2024/05/03 04:52
文章作者:Tyan
博客:noahsnail.com | CSDN | 简书
本文主要是介绍tensorflow中dropout的作用,dropout主要是用来防止过拟合,即提供模型的泛化能力。
#!/usr/bin/env python# _*_ coding: utf-8 _*_import tensorflow as tffrom sklearn.datasets import load_digitsfrom sklearn.cross_validation import train_test_splitfrom sklearn.preprocessing import LabelBinarizer# 加载数据 digits = load_digits()# 输入数据X = digits.data# 输出数据y = digits.target# 标签变换y = LabelBinarizer().fit_transform(y)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3)# 创建一个神经网络层def add_layer(input, in_size, out_size, layer_name, activation_function = None): """ :param input: 神经网络层的输入 :param in_zize: 输入数据的大小 :param out_size: 输出数据的大小 :param layer_name 神经网络层的名字 :param activation_function: 神经网络激活函数,默认没有 """ # 定义神经网络的初始化权重 Weights = tf.Variable(tf.random_normal([in_size, out_size])) # 定义神经网络的偏置 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) # 计算w*x+b W_mul_x_plus_b = tf.matmul(input, Weights) + biases # 进行dropout,可以注释和不注释来对比dropout的效果# W_mul_x_plus_b = tf.nn.dropout(W_mul_x_plus_b, keep_prob) # 根据是否有激活函数进行处理 if activation_function is None: output = W_mul_x_plus_b else: output = activation_function(W_mul_x_plus_b) # 查看权重变化 tf.summary.histogram(layer_name + '/output', output) return output# 定义dropout的placeholderkeep_prob = tf.placeholder(tf.float32)# 输入数据64个特征xs = tf.placeholder(tf.float32, [None, 64]) # 8x8ys = tf.placeholder(tf.float32, [None, 10])# 添加隐藏层和输出层l1 = add_layer(xs, 64, 50, 'l1', activation_function=tf.nn.tanh)prediction = add_layer(l1, 50, 10, 'l2', activation_function=tf.nn.softmax)# 计算losscross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1]))# 存储losstf.summary.scalar('loss', cross_entropy)# 神经网络训练train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)# 定义Sessionsess = tf.Session()# 收集所有的数据merged = tf.summary.merge_all()# 将数据写入到tensorboard中train_writer = tf.summary.FileWriter("logs/train", sess.graph)test_writer = tf.summary.FileWriter("logs/test", sess.graph)# 根据tensorflow版本选择初始化函数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()# 执行初始化sess.run(init)# 进行训练迭代for i in range(500): # 执行训练,dropout为1-0.5=0.5 sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5}) if i % 50 == 0: # 记录损失 train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1}) test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1}) train_writer.add_summary(train_result, i) test_writer.add_summary(test_result, i)
执行结果如下:
- 没有dropout
测试误差与训练误差的损失差的较大,说明模型更拟合训练数据。
- 有dropout
测试误差与训练误差相差不大,说明模型泛化能力较好。
0 0
- tensorflow的基本用法(八)——dropout的作用
- tensorflow的基本用法
- TensorFlow的基本用法
- TensorFlow的基本用法
- Tensorflow的基本用法
- tensorflow的基本用法
- tensorflow的基本用法(四)——placeholder
- tensorflow的基本用法(六)——神经网络可视化
- tensorflow的基本用法(二)
- tensorflow的基本用法(三)
- tensorflow的基本用法(一)
- tensorflow的基本用法(二)
- Tensorflow的一些基本用法
- Tensorflow的一些基本用法
- pandas的基本用法(八)——数据的绘制
- TensorFlow 中 dropout 的使用介绍
- matplotlib的基本用法(八)——绘制柱状图
- tensorflow学习笔记(八):dropout
- Centos 7.2 安装 Ambari 2.2.2 + HDP 2.4.2 搭建Hadoop集群
- 欢迎使用CSDN-markdown编辑器
- wpf中左侧导航的实现
- java大神网站
- WampServer中MySQL中文乱码解决
- tensorflow的基本用法(八)——dropout的作用
- 【MySQL基础】事务与存储过程
- Ubuntu下tensorflow安装
- LeetCode 165. Compare Version Numbers
- 小瓜牛漫谈 — String、StringBuffer、StringBuilder
- 浮点数的二进制表示
- IOS
- MySQL的查询方法
- MYSQL常用命令