tensorflow之dropout代码注释

最新推荐文章于 2025-04-17 11:42:57 发布

Fighting++++

最新推荐文章于 2025-04-17 11:42:57 发布

阅读量549

点赞数

分类专栏： tensorflow 文章标签： tensorflow dropout 鸢尾花数据分类

本文链接：https://blog.youkuaiyun.com/qq_32900237/article/details/94973400

版权

tensorflow 专栏收录该内容

2 篇文章

订阅专栏

本文介绍了一个使用TensorFlow实现的深度学习模型，该模型通过在神经网络中应用Dropout技术来防止过拟合，针对MNIST手写数字数据集进行训练，实现了较高的分类准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)

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

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,784])#占位符，类似霸占空间，后面需要喂数feed_dict
y = tf.placeholder(tf.float32,[None,10])
keep_prob=tf.placeholder(tf.float32)#keep_prob是保留元素的概率，这是是保留神经元的概率

#创建一个简单的神经网络
#在下面我们之所以定义这么多神经元是为了让其产生过拟合，之后使用dropout
W1 = tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))#按阶段性初始化权重，隐藏层1的神经元是2000个，按是以0.1的剃度增加，权重矩阵784*2000
b1 = tf.Variable(tf.zeros([2000])+0.1)#初始化bias为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))#第二个隐藏层也是2000个神经元
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))#第三个隐藏层也是1000个神经元
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))#输出10个神经元
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()

#结果存放在一个布尔型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#cast是数据格式的转换，最终转换成float,将上面的true转换成1.0，flase是0.0s

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(31):
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.7})
        
        test_acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:1.0})
        train_acc = sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep_prob:1.0})
        print("Iter " + str(epoch) + ",Testing Accuracy " + str(test_acc) +",Training Accuracy " + str(train_acc))