TensorFlow学习（3）：交叉熵、dropout、优化器

1.二次代价函数

    假设目标收敛到1，A点为0.82离目标比较远，梯度比较大，权值调整较大；B点为0.98离目标近，梯度小，权值调整小，方案合理。假设目标收敛到0，A点为0.82离目标比较远，梯度比较大，权值调整较大；；B点为0.98离目标远，梯度小，权值调整小，方案不合理。

2.交叉熵代价函数

3.对数似然代价函数

4.防止过拟合

    Dropout训练时随机选取一定比例的神经元进行W、b调整。使用dropout，收敛速度变慢，TrainingAccuracy和TestingAccuracy相差较小，减小过拟合。

5.优化器

6.代码

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)

#每个批次的大小
batch_size=100   #一次训练100张图
#计算共有多少批次
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_prob=tf.placeholder(tf.float32)   #0~1取值
lr=tf.Variable(0.001,dtype=tf.float32)

#创建3个隐藏层
W1=tf.Variable(tf.truncated_normal([784,1000],stddev=0.1))  #权值初始化
b1=tf.Variable(tf.zeros([1000])+0.1)
L1=tf.nn.tanh(tf.matmul(x,W1)+b1)
L1_drop=tf.nn.dropout(L1,keep_prob)

W2=tf.Variable(tf.truncated_normal([1000,500],stddev=0.1))  #权值初始化
b2=tf.Variable(tf.zeros([500])+0.1)
L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2)
L2_drop=tf.nn.dropout(L2,keep_prob)

W3=tf.Variable(tf.truncated_normal([500,300],stddev=0.1))   #权值初始化
b3=tf.Variable(tf.zeros([300])+0.1)
L3=tf.nn.tanh(tf.matmul(L2_drop,W3)+b3)
L3_drop=tf.nn.dropout(L3,keep_prob)

W4=tf.Variable(tf.truncated_normal([300,10],stddev=0.1))   #权值初始化
b4=tf.Variable(tf.zeros([10])+0.1)
prediction=tf.nn.softmax(tf.matmul(L3_drop,W4)+b4)

#定义二次代价函数
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用梯度下降
#train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
train_step=tf.train.AdamOptimizer(lr).minimize(loss)


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


#结果村发展一个布尔型列表中
#tf.equal里面变量，相同返回ture，不同返回fals。tf.argmax求一维张量最大值在哪个位置
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) 

#求准确率
#tf.cast布尔型转换为float32类型，tf.reduce_mean求平均得到准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))  

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(50):                                                              #所有图片训练21次
        sess.run(tf.assign(lr,0.001*(0.95**epoch)))    #学习率逐渐降低
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)     #取下一批次
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.8})  #使用dropout，收敛速度变慢，TrainingAccuracy和TestingAccuracy相差较小，减小过拟合

        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})  #测试还是用全部神经元
        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)+' ,Training Accuracy: '+str(train_acc))