TensorFlow学习（三）

TensorFlow学习（三）

代价函数

二次代价函数

其中C为代价函数，x为样本，y为实际值，a为输出值，n表示样本总数。
如果使用梯度下降法：

交叉熵代价函数

其中C为代价函数，x为样本，y为实际值，a为输出值，n表示样本总数。
如果使用梯度下降法：

对数释然代价函数

对数释然函数在二分类时可以简化成交叉熵代价函数

对数释然代价函数常用来作为softmax回归的代价函数
交叉熵代价函数常用来作为sigmoid函数的代价函数

过拟合

为了防止过拟合，有三种方法：
1.增加数据集；
2.正则化；

3.Dropout；

Dropout

采用Dropout方法

在一次迭代中让部分神经元工作，部分神经元不工作，下一次迭代换另一部分神经元工作。
代码：

############一个隐藏层，隐藏层为700
############激活函数为tf.nn.tanh
############使用dropout，训练为%70，测试为%100
############代价函数使用二次代价函数，优化器使用梯度下降法

import tensorflow as tf
import numpy as np
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])
y = tf.placeholder(tf.float32,[None,10])
keep = tf.placeholder(tf.float32)

#创建一个简单的神经网络
W1 = tf.Variable(tf.truncated_normal([784,700],stddev=0.1))
b1 = tf.Variable(tf.zeros([1,700]) + 0.1)
L1 = tf.matmul(x,W1)+b1
LL1 = tf.nn.tanh(L1)
L1_d = tf.nn.dropout(LL1,keep)


W2 = tf.Variable(tf.truncated_normal([700,10],stddev=0.1))
b2 = tf.Variable(tf.zeros([10]) + 0.1)
L2 = tf.matmul(L1_d,W2)+b2
#LL2 = tf.nn.sigmoid(L2)
prediction = tf.nn.softmax(L2)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#交叉熵代价函数
#loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

#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返回一维张量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)
    for epoch in range(20):
        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:0.7})           #用百分之70的神经元训练
        
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep:1.0})    #用全部的神经元测试
        acc1 = sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep:1.0})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc)+",Training Accuracy " + str(acc1))

结果为：

优化器