3.1拟合与Dropoout实现

整理不易，有条件的点个关注！感谢各位大佬，受小弟一拜！

tensorflow简单介绍

tensor采用图运算的方式搭建并训练深度学习网络，该部分使用的库包版本为tensorflow==1.14.0

代码拆分（每个代码块可以放到一个jupyter的cell里）

什么是过拟合

简言之，训练数据中表现特别好，但在测试集中表现一般，及模型泛化能力弱。
缓解过拟合的方法：

• 增加数据集
• 正则化
• Dropout

Dropout层

关闭部分网络连接通道，及类似停用部分网络神经元，防止网络过分学习训练集数据特征。

导入tensorflow及其他包

# 导入tensorflow
import tensorflow as tf
# 导入mnist数据集加载库
from tensorflow.examples.tutorials.mnist import input_data

载入数据集

mnist = input_data.read_data_sets("MNIST_data",one_hot = True)

批次定义

# 每个批次大小
batch_size = 100
# 计算一共有多少个批次
n_batch = mnist.train.num_examples // batch_size

网络结构定义

其中类似：L1_drop = tf.nn.dropout(L1,keep_prob)即为tensorflow1.0中Dropout层的添加方法。

# 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)

# 创建一个简单的神经网络
W1 = tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))
b1 = tf.Variable(tf.zeros([2000])+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([2000,2000],stddev=0.1))
b2 = tf.Variable(tf.zeros([2000])+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([2000,1000],stddev=0.1))
b3 = tf.Variable(tf.zeros([1000])+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([1000,10],stddev=0.1))
b4 = tf.Variable(tf.zeros([10])+0.1)
prediction = tf.nn.softmax(tf.matmul(L3_drop,W4)+b4)

损失函数、优化方法、变量初始化定义

# 二次代价函数
# loss = tf.reduce_mean(tf.square(y-prediction))
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) # 交叉熵
# 使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

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

评价指标（精确度）定义

# 结果放在一个布尔型列表中
correct_prediction = tf.equal