交叉熵-MNIST加入多个隐藏层训练并且加入多个神经元以测试dropout层防止过拟合问题

二次代价函数
在这里插入图片描述
激活函数中我之前有总结一些常用的
https://mp.csdn.net/mdeditor/101433613#激活函数
交叉熵代价函数

对数释然函数
## 拟合见机器学习笔记

过拟合：增加数据集，正则化方法，Dropout(训练过程中使部分神经元不工作，即随机忽略部分神经元)

#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 #可修改
#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])#可加隐藏层
y = tf.placeholder(tf.float32,[None,10])
keep_prob = tf.placeholder(tf.float32)

#创建一个简单的神经网络
W1 = tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))#正态分布，标准差为1
b1 = tf.Variable(tf.zeros([2000]) + 0.1)#偏值值为0.1
L1 = tf.nn.tanh(tf.matmul(x,W1) + b1)
L1_drop = tf.nn.dropout(L1,keep_prob=1.0)#keep_prob表示百分之多少神经元进行工作

#故意出现过拟合测试dropout
W2 = tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1))#正态分布，标准差为1
b2 = tf.Variable(tf.zeros([1000]) + 0.1)#偏值值为0.1
L2 = tf.nn.tanh(tf.matmul(L1_drop,W2) + b2)
L2_drop = tf.nn.dropout(L2,keep_prob=1.0)#keep_prob表示百分之多少神经元进行工作

#故意出现过拟合测试dropout
W3 = tf.Variable(tf.truncated_normal([1000,100],stddev=0.1))#正态分布，标准差为1
b3 = tf.Variable(tf.zeros([100]) + 0.1)#偏值值为0.1
L3 = tf.nn.tanh(tf.matmul(L2_drop,W3) + b3)
L3_drop = tf.nn.dropout(L3,keep_prob=1.0)#keep_prob表示百分之多少神经元进行工作

#故意出现过拟合测试dropout
W4 = tf.Variable(tf.truncated_normal([100,10],stddev=0.1))#正态分布，标准差为1
b4 = tf.Variable(tf.zeros([10]) + 0.1)#偏值值为0.1
prediction = tf.nn.softmax(tf.matmul(L3_drop,W4) + b4)


#定义一个二次代价函数
# loss = tf.reduce_mean(tf.square(y-prediction))#改换交叉熵
#交叉熵代价函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))#不求平均值难收敛
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)#可改学习率

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

#结果存放在一个bool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(21):#可修改迭代次数
        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_prob:1.0})
        
        test_acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        train_acc = sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep_prob:1.0})
        print("Iter " + str(epoch) + ",Testing Accurary " + str(test_acc) + ",Training Accurary "+ str(train_acc))#记住整型不可直接print加上str()转换