TensorFlow之MNIST 分类以及Dropout的使用

最新推荐文章于 2020-11-12 20:16:48 发布

黄鑫huangxin

最新推荐文章于 2020-11-12 20:16:48 发布

阅读量761

点赞数

分类专栏： python学习 Tensorflow学习深度学习

本文链接：https://blog.csdn.net/qq_33373858/article/details/83684769

版权

本文介绍了如何在TensorFlow中使用Dropout技术进行MNIST手写数字分类。通过添加Dropout层，可以减少过拟合，提高模型泛化能力。详细讲解了tf.nn.dropout函数的用法，并展示了在训练过程中调整保留概率对模型性能的影响。

摘要由CSDN通过智能技术生成

一、简单的一层神经网络

import tensorflow as tf
#下载MNIST数据集（28*28，输入维度为784）
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

#构建简单的一层神经网络，包括常见参数weights、biases和activation_function
#首先定义添加神经层的函数def add_layer(),它有四个参数：输入值、输入的大小、输出的大小和激励函数
def add_layer(inputs,in_size,out_size,activation_function = None): 
#定义weights和biases，weight为随机变量(variable)
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#矩阵大小为in_size*out_size
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)#biases不为0，加上任意一个小数值
#定义Wx_plus_b, 即神经网络未激活的值
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    if activation_function is None: