TensorFlow学习---tf.nn.dropout防止过拟合

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/huahuazhu/article/details/73649389

一、 Dropout原理简述:

tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数,它一般用在全连接层

Dropout就是在不同的训练过程中随机扔掉一部分神经元。也就是让某个神经元的激活值以一定的概率p,让其停止工作,这次训练过程中不更新权值,也不参加神经网络的计算。但是它的权重得保留下来(只是暂时不更新而已),因为下次样本输入时它可能又得工作了。示意图如下:


但在测试及验证中:每个神经元都要参加运算,但其输出要乘以概率p。

 

二、tf.nn.dropout函数说明

tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None) 

上面方法中常用的是前两个参数:

第一个参数x:指输入

第二个参数keep_prob: 设置神经元被选中的概率,在初始化时keep_prob是一个占位符,  keep_prob = tf.placeholder(tf.float32) 。tensorflow在run时设置keep_prob具体的值,例如keep_prob: 0.5

第五个参数name:指定该操作的名字。

三、使用举例:

1dropout必须设置概率keep_prob,并且keep_prob也是一个占位符,跟输入是一样的

[python] view plain copy

1. keep_prob = tf.placeholder(tf.float32)  

2train的时候才是dropout起作用的时候,traintest的时候不应该让dropout起作用

[python] view plain copy

1. sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})  

[python] view plain copy

1. train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})  

2. test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})  


展开阅读全文

没有更多推荐了,返回首页