对于神经网络过拟合问题,一般有以下解决方法:
1、引入dropout,在训练的时候,让一部分神经元随机失活,增加网络稀疏性,有利于特征选择,防止过拟合;
2、引入batch normalizatin,不仅对输入层的输入数据进行标准化(减均值,除标准差),还对隐藏层的输入数据进行标准化,防止过拟合;
3、引入l1_regularization,在训练的时候,对损失函数做一些限制,在权重参数更新时,使很多权值参数等于0,增加网络稀疏性,有利于特征提取,防止过拟合;
4、引入l2_regularization,在训练的时候,对损失函数做一些限制,在权重参数更新时,使权重参数绝对值不断减小,防止过拟合;
举例演示如何使用dropout:
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data# 获取数据集# one_hot设置为True,将标签数据转化为0/1,如[1,0,0,0,0,0,0,0,0,0]mnist=input_data.read_data_sets('MNIST_data',one_hot=True)# 定义一个批次的大小batch_size=100n_batch=mnist.train.num_examples//batch_size# 定义三个placeholder# 行数值为None,None可以取任意数,本例中将取值100,即取决于pitch_size# 列数值为784,因为输入图像尺寸已由28*28转换为1*784x=tf.placeholder(tf.float32,[None,784])y=tf.placeholder(tf.float32,[None,10])keep_prob=tf.placeholder(tf.float32)# 定义一个神经网络# 权重初始值为0不是最优的,应该设置为满足截断正态分布的随机数,收敛速度更快w1=tf.Variable(tf.truncated_normal([784,1000],stddev=0.1))# 偏置初始值为0不是最优的,可以设置为0.1,收敛速度更快b1=tf.Variable(tf.zeros([1000])+0.1)# 引入激活函数l1=tf.nn.tanh(tf.matmul(x,w1)+b1)# 引入dropoutl1_drop=tf.nn.dropout(l1,keep_prob)w2=tf.Variable(tf.truncated_normal([1000,100],stddev=0.1))b2=tf.Variable(tf.zeros([100])+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([100,10],stddev=0.1))b3=tf.Variable(tf.zeros([10])+0.1)# softmax的作用是将tf.matmul(l2_drop,w3)+b3的结果转换为概率值,举例如下:# [9,2,1,1,2,1,1,2,1,1]# [0.99527,0.00091,0.00033,0.00033,0.00091,0.00033,0.00033,0.00091,0.00033,0.00033]prediction=tf.nn.softmax(tf.matmul(l2_drop,w3)+b3)# 定义损失函数# 由于输出神经元使用softmax函数,交叉熵损失函数比均方误差损失函数收敛速度更快# loss=tf.reduce_mean(tf.square(y-prediction))loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))# 定义优化器optimizer=tf.train.GradientDescentOptimizer(0.2)# 定义模型,优化器通过调整loss里的参数,使loss不断减小train=optimizer.minimize(loss)# 统计准确率# tf.argmax返回第一个参数中最大值的下标# tf.equal比较两个参数是否相等,返回True或Falsecorrect_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))# tf.cast将布尔类型转换为浮点类型accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))with tf.Session() as sess:sess.run(tf.global_variables_initializer())# epoch为周期数,所有批次训练完为一个周期for epoch in range(20):for batch in range(n_batch):# 每次取出batch_size条数据进行训练batch_xs,batch_ys=mnist.train.next_batch(batch_size)sess.run(train,feed_dict={x:batch_xs,y:batch_ys,keep_prob:0.9})test_acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels,keep_prob:0.9})train_acc = sess.run(accuracy,feed_dict={x:mnist.train.images,y:mnist.train.labels,keep_prob:0.9})print('epoch=',epoch,' ','test_acc=',test_acc,' ','train_acc=',train_acc)
运行结果:
分别代入测试数据集和训练数据集计算准确率,发现结果相差不大,说明未发生过拟合的情况
如果觉得《tensorflow学习笔记——过拟合》对你有帮助,请点赞、收藏,并留下你的观点哦!