Tensorflow之防止过拟合

防止过拟合的三种方法

正则化方法

其中C0是没有优化过的损失函数。

在代码中使用 dropout（在训练时使用，测试时不适用）

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,每次训练的时候并不是一次性将所有的图片放入神经网络进行训练。
batch_size = 100 # 一次性以矩阵的形式放入100张图片
# 计算共有多少个批次
n_batch = mnist.train.num_examples // batch_size

# 定义placeholder
x = tf.placeholder(tf.float32,[None, 784]) #等下None的值是100
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)) # 使用截断的正太分布初始化，标准差为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) # 设置百分之多少的神经元是工作的，1代表100%

W2 = tf.Variable(tf.truncated_normal([2000,2000],stddev=0.1)) # 使用截断的正太分布初始化，标准差为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) # 设置百分之多少的神经元是工作的，1代表100%

W3 = tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1)) # 使用截断的正太分布初始化，标准差为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) # 设置百分之多少的神经元是工作的，1代表100%

W4 = tf.Variable(tf.truncated_normal([1000,10],stddev=0.1)) # 使用截断的正太分布初始化，标准差为0.1
b4 = tf.Variable(tf.zeros([10])+0.1)

prediction = tf.nn.softmax(tf.matmul(L3_drop,W4)+b4)

# 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))
# 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()

# 结果存放在布尔型列表中
#tf.argmax(y,1)求标签最大的值是在哪个位置（返回索引），1代表按行
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1)) #比较两个参数是不是一样的，返回为true或false
# 求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # tf.cast把布尔转换为32位浮点型 true--> 1.0 flase:-->0,tf.reduce_mean求平均获得准确率

# 进行训练
with tf.Session() as sess:
  sess.run(init)
  for epoch in range(21): #迭代21个周期，所有的图片训练21次
    for batch in range(n_batch): #一共有多少个批次，执行一个for代表所有的图片训练了一次
      batch_xs,batch_ys = mnist.train.next_batch(batch_size) #每次获得100张图片,下一次运行的时候再获得接下来的100张图片
      sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7}) # 每一层有百分之70的神经元在工作
    acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})  #测试准确率，用的测试集
    print("iteration"+str(epoch)+",Testing Accuracy"+str(acc)) # 打印当前周期和求得的准确率