dropout层_人工智能TensorFlow（十二）Overfitting与dropout代码实现

上期我们分享了TensorFlow的过拟合与dropout的问题过拟合（Overfitting）与dropout，本期我们来实现如何在TensorFlow中利用代码实现overfiting的问题。

overfiting问题
我们导入sk-learn的数据，来进行本期的训练分析
import tensorflow as tf
from sklearn.datasets import load_digits
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import LabelBinarizer

初始化数据，定义一个测试数据与一个训练数据
digits = load_digits()
X = digits.data
y = digits.target
y = LabelBinarizer().fit_transform(y)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

定义层，这些是往期的代码
def add_layer(inputs, in_size, out_size, layer_name, activation_function=None):
 Weights = tf.Variable(tf.random_normal([in_size, out_size]))
 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
 Wx_plus_b = tf.matmul(inputs, Weights) + biases
 Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)
 if activation_function is None:
 outputs = Wx_plus_b
 else:
 outputs = activation_function(Wx_plus_b)
 tf.summary.histogram(layer_name + '/outputs', outputs)
 return outputs

定义 X Y keep_Porb(drop掉的系数)
xs = tf.placeholder(tf.float32, [None, 64]) # 8*8
ys = tf.placeholder(tf.float32, [None, 10])
keep_prob = tf.placeholder(tf.float32)

添加层，定义loss ，初始化函数
# 添加层
lay_one = add_layer(xs, 64, 50, 'lay_one', activation_function=tf.nn.tanh) # 输入层
prediction = add_layer(lay_one, 50, 10, 'lay_two', activation_function=tf.nn.softmax) # 输出层
# loss
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1]))
tf.summary.scalar('loss', cross_entropy)
train_step = tf.train.GradientDescentOptimizer(0.6).minimize(cross_entropy)
# 初始化
init = tf.global_variables_initializer()
merged = tf.summary.merge_all()

训练TensorFlow，我们搜集一下训练的数据与测试 的数据

with tf.Session() as sess:
 # summary writer
 train_writer = tf.summary.FileWriter("logs/train", sess.graph)
 test_writer = tf.summary.FileWriter("logs/test", sess.graph)
 sess.run(init)
 for i in range(500):
 sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})

#keep_prob 系数：1是无drop，我们可以使用不同的系数，来对比overfiting的效果
#本期小编使用1 与0.5 的系数对比，通过如下图片可以看出无drop时，2个数据的loss存在明显的差别，当使用0.5的drop时，2个数据的loss几乎完全吻合

 if i % 50 == 0:
 train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})
 test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})
 train_writer.add_summary(train_result, i)
 test_writer.add_summary(test_result, i)

存在overfiting

无overfiting
如上很多代码都是往期文章分享过的代码，若有网友不清楚代码意义的，可以看小编往期的文章哟。下期分享：
关于TensorFlow的基础知识，我们就分享到这里，从下期开始我们开始使用TensorFlow，来分享一下CNN的基本知识与应用。谢谢大家的点赞与转发，关于分享的文章，大家有任何问题，可以在评论区一起探讨学习！！！

微信搜索小程序：AI人工智能工具

体验不一样的AI 工具