tf.nn.dropout的使用

　　神经网络在设置的神经网络足够复杂的情况下，可以无限逼近一段非线性连续函数，但是如果神经网络设置的足够复杂，将会导致过拟合(overfitting)的出现，就好像下图这样。

　　看到这个蓝色曲线，我就知道：

　　很明显蓝色曲线是overfitting的结果，尽管它很好的拟合了每一个点的位置，但是曲线是歪歪曲曲扭扭捏捏的，这个的曲线不具有良好的鲁棒性，在实际工程实验中，我们更希望得到如黑色线一样的曲线。

　　tf.nn.dropout函数介绍

　　tf.nn.dropout是tensorflow的好朋友，它的作用是为了减轻过拟合带来的问题而使用的函数，它一般用在每个连接层的输出。

　　Dropout就是在不同的训练过程中，按照一定概率使得某些神经元停止工作。也就是让每个神经元按照一定的概率停止工作，这次训练过程中不更新权值，也不参加神经网络的计算。但是它的权重依然存在，下次更新时可能会使用到它。

　　def dropout(x, keep_prob, noise_shape=None, seed=None, name=None)

　　x 一般是每一层的输出

　　keep_prob，保留keep_prob的神经元继续工作，其余的停止工作与更新

　　在实际定义每一层神经元的时候，可以加入dropout。

　　def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):

　　layer_name = 'layer%s'%n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope("Weights"):

　　Weights = tf.Variable(tf.random_normal([in_size,out_size]),name = "Weights")

　　tf.summary.histogram(layer_name+"/weights",Weights)

　　with tf.name_scope("biases"):

　　biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

　　tf.summary.histogram(layer_name+"/biases",biases)

　　with tf.name_scope("Wx_plus_b"):

　　Wx_plus_b = tf.matmul(inputs,Weights) + biases

　　#dropout一般加载每个神经层的输出

　　Wx_plus_b = tf.nn.dropout(Wx_plus_b,keep_prob)

　　#看这里看这里，dropout在这里。

　　tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

　　if activation_function == None :

　　outputs = Wx_plus_b

　　else:

　　outputs = activation_function(Wx_plus_b)

　　tf.summary.histogram(layer_name+"/outputs",outputs)

　　return outputs

　　但需要注意的是，神经元的输出层不可以定义dropout参数。因为输出层就是输出的是结果，在输出层定义参数的话，就会导致输出结果被dropout掉。

　　例子

　　本次例子使用sklearn.datasets，在进行测试的时候，我们只需要改变最下方keep_prob:0.5的值即可，1代表不进行dropout。

　　代码

　　import tensorflow as tf

　　from sklearn.datasets import load_digits

　　from sklearn.model_selection import train_test_split

　　from sklearn.preprocessing import LabelBinarizer

　　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 = 500)

　　def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):

　　layer_name = 'layer%s'%n_layer

　　with tf.name_scope(layer_name):

　　with tf.name_scope("Weights"):

　　Weights = tf.Variable(tf.random_normal([in_size,out_size]),name = "Weights")

　　tf.summary.histogram(layer_name+"/weights",Weights)

　　with tf.name_scope("biases"):

　　biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")

　　tf.summary.histogram(layer_name+"/biases",biases)

　　with tf.name_scope("Wx_plus_b"):

　　Wx_plus_b = tf.matmul(inputs,Weights) + biases

　　Wx_plus_b = tf.nn.dropout(Wx_plus_b,keep_prob)

　　tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)

　　if activation_function == None :

　　outputs = Wx_plus_b

　　else:

　　outputs = activation_function(Wx_plus_b)

　　tf.summary.histogram(layer_name+"/outputs",outputs)

　　return outputs

　　def compute_accuracy(x_data,y_data,prob = 1):

　　global prediction

　　y_pre = sess.run(prediction,feed_dict = {xs:x_data,keep_prob:prob})

　　correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))

　　accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

　　result = sess.run(accuracy,feed_dict = {xs:x_data,ys:y_data,keep_prob:prob})

　　return result

　　keep_prob = tf.placeholder(tf.float32)

　　xs = tf.placeholder(tf.float32,[None,64])

　　ys = tf.placeholder(tf.float32,[None,10])

　　l1 = add_layer(xs,64,100,'l1',activation_function=tf.nn.tanh, keep_prob = keep_prob)

　　l2 = add_layer(l1,100,100,'l2',activation_function=tf.nn.tanh, keep_prob = keep_prob)

　　prediction = add_layer(l1,100,10,'l3',activation_function = tf.nn.softmax, keep_prob = 1)

　　with tf.name_scope("loss"):

　　loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')

　　tf.summary.scalar("loss",loss)

　　train = tf.train.AdamOptimizer(0.01).minimize(loss)

　　init = tf.initialize_all_variables()

　　merged = tf.summary.merge_all()

　　with tf.Session() as sess:

　　sess.run(init)

　　train_writer = tf.summary.FileWriter("logs/strain",sess.graph)

　　test_writer = tf.summary.FileWriter("logs/test",sess.graph)

　　for i in range(5001):

　　sess.run(train,feed_dict = {xs:X_train,ys:Y_train,keep_prob:0.5})

　　if i % 500 == 0:无锡妇科医院 http://www.bhnnk120.com/

　　print("训练%d次的识别率为：%f。"%((i+1),compute_accuracy(X_test,Y_test,prob=0.5)))

　　train_result = sess.run(merged,feed_dict={xs:X_train,ys:Y_train,keep_prob:0.5})

　　test_result = sess.run(merged,feed_dict={xs:X_test,ys:Y_test,keep_prob:0.5})

　　train_writer.add_summary(train_result,i)

　　test_writer.add_summary(test_result,i)

　　keep_prob = 0.5

　　训练结果为：

　　训练1次的识别率为：0.086000。

　　训练501次的识别率为：0.890000。

　　训练1001次的识别率为：0.938000。

　　训练1501次的识别率为：0.952000。

　　训练2001次的识别率为：0.952000。

　　训练2501次的识别率为：0.946000。

　　训练3001次的识别率为：0.940000。

　　训练3501次的识别率为：0.932000。

　　训练4001次的识别率为：0.970000。

　　训练4501次的识别率为：0.952000。

　　训练5001次的识别率为：0.950000。

　　这是keep_prob = 0.5时tensorboard中的loss的图像：

　　keep_prob = 1

　　训练结果为：

　　训练1次的识别率为：0.160000。

　　训练501次的识别率为：0.754000。

　　训练1001次的识别率为：0.846000。

　　训练1501次的识别率为：0.854000。

　　训练2001次的识别率为：0.852000。

　　训练2501次的识别率为：0.852000。

　　训练3001次的识别率为：0.860000。

　　训练3501次的识别率为：0.854000。

　　训练4001次的识别率为：0.856000。

　　训练4501次的识别率为：0.852000。

　　训练5001次的识别率为：0.852000。

　　这是keep_prob = 1时tensorboard中的loss的图像：

　　可以明显看出来keep_prob = 0.5的训练集和测试集的曲线更加贴近。