TensorFlow：利用dropout解决overfitting问题，附程序代码

我们借助sklearn这个module来直观地看一看overfitting（过拟合）问题如何通过dropout来解决。

本文适合刚刚接触TensorFlow的新手们，练习使用，附上源码。

首先我们导入必要文件和数据：

#导入必要文件
import tensorflow as tf
from sklearn.datasets import load_digits
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import LabelBinarizer

#导入数字图像数据
digits = load_digits()
X = digits.data
y = digits.target
y = LabelBinarizer().fit_transform(y) #转化为通过0和1判断是否属于某一类数字
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3) 

然后，用placehoder为输入数据做准备。keep_prob即我们要保持多少比例的结果不被dropout。

keep_prob = tf.placeholder(tf.float32) 
xs = tf.placeholder(tf.float32, [None, 64])  # 8x8
ys = tf.placeholder(tf.float32, [None, 10])  #0~9 10个数字类别

添加神经网络层l1和l2两层：

l1 = add_layer(xs, 64, 50, 'l1', activation_function=tf.nn.tanh) #经过测试输出激活函数采取tanh
prediction = add_layer(l1, 50, 10, 'l2', activation_function=tf.nn.softmax)

此处，add_layer是我们自己定义的添加层的方法：

#添加层的功能
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 实现dropout功能 相当于把Wx_plus_b的结果再通过一个tf.nn.dropout激活函数后输出
    #tf.nn.dropout就是实现了一定部分的丢弃（忽略）
    # dropout 一定数量的 Wx_plus_b的结果 ，保留keep_prob的结果，防止过拟合
    Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)
    
    
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b, )
    tf.summary.histogram(layer_name + '/outputs', outputs)
    return outputs

定义loss和优化器，并用tensorboard来绘制loss曲线：

# define loss between prediction and real data
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
                                              reduction_indices=[1]))  
 #用tensorboard显示loss曲线
tf.summary.scalar('loss', cross_entropy)
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()

tensorboard是用来使得我们深度神经网络的结构或者参数、结果可视化的工具，帮助我们更加直观地看到数据的动态变化。如果你还不了解tensorboard，请先看：例程实践：TensorFlow快速上手实战和可视化，快速掌握tensorboard的使用。后文中的loss我们就是使用tensorboard来打开的。

然后我们把可视化图保存（tf.summary.FileWriter），并用tf.summary.merge_all()来融合这个程序中产生的图（summary）。具体什么原理，后文会细讲。

#merge两个：train和test数据的summary
merged = tf.summary.merge_all()

# summary writer goes in here
train_writer = tf.summary.FileWriter("logs/train", sess.graph)
test_writer = tf.summary.FileWriter("logs/test", sess.graph)

sess.run(tf.initialize_all_variables())

迭代训练过程和loss的记录过程：

for i in range(1500):
    # here to determine the keeping probability
    # keep_prob = 0.5表示保持50%的结果不被dropout 1就是不dropout
    sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})
    if i % 50 == 0:
        # record loss
        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)

1.我们看到，sess.run的对象是merged，merged的定义是merged = tf.summary.merge_all()，即融合这个程序中产生的所有图（summary），而本程序中一共产生了两个summary，一个是训练集的loss的图，一个是测试集的loss的图。它的运行机制是：当train_result被session run起来时，我们灌入的数据是X_train和y_train即训练集，此时产生的loss（cross_entropy）是训练集的loss；当run test_result时，此时的产生loss是测试集的loss，即每间隔50步，对于目前训练的模型，我们分别采用训练集中的样本和测试集中的样本做评测。

2.如果我们将    sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})中的keep_prob改为1，就是不丢弃，全部训练集都拿去训练，由于训练集太多，很可能会出现过拟合现象；如果keep_prob改小，观察loss看看过拟合现象是否得以改善？

keep_prob=1：我们看到测试集的loss一直在训练集之上，这间接说明过多的训练集导致模型过拟合，全新的、没见过的测试集样本进来时，我们的模型已经没办法很好的分类了。测试集的loss到后面几乎不再下降。

keep_prob=0.5：我们看到测试集和训练集的loss接近，说明过拟合现象得以缓解了。

上述这个简单的例子说明，过拟合现象可以通过部分随机丢弃的方法（对大部分人而言就是调用一个dropout）就可以有效缓解。大家不妨亲自上手体验一波！