from __future__ import print_function
import tensorflow as tf
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
# load data
digits = load_digits()#载入数据
X = digits.data
y = digits.target
y = LabelBinarizer().fit_transform(y)#将数据中的y变成向量形式
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3)#将数据分为训练集和测试集
def add_layer(inputs, in_size, out_size, layer_name, activation_function=None, ):
# add one more layer and return the output of this layer
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
# here to dropout
Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)
#把输出舍去掉百分之五十,这样就相当于随机拿掉了百分之五十的神经元,
#每一次训练都随机来一次,这样就做到了避免过拟合的问题(太过依赖于整体的神经元)
#,相当于分别训练,这样比较合理
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b, )
tf.summary.histogram(layer_name + '/outputs', outputs)#在tensorboard中的histigram中显#
#示outputs
return outputs
# define placeholder for inputs to network
keep_prob = tf.placeholder(tf.float32)
xs = tf.placeholder(tf.float32, [None, 64]) # 8x8
ys = tf.placeholder(tf.float32, [None, 10])
# add output layer
l1 = add_layer(xs, 64, 50, 'l1', activation_function=tf.nn.tanh)
prediction = add_layer(l1, 50, 10, 'l2', activation_function=tf.nn.softmax)
# the loss between prediction and real data
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
reduction_indices=[1])) # loss
tf.summary.scalar('loss', cross_entropy)#在tensorboard中的scalar里显示损失
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.Session()
merged = tf.summary.merge_all()#将要在tensorboard中显示的框架汇总
# summary writer goes in here
train_writer = tf.summary.FileWriter("logs/train", sess.graph)#生成第一个文件,用于看训练集
test_writer = tf.summary.FileWriter("logs/test", sess.graph)#生成第二个文件,用于看测试集
#
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
init = tf.initialize_all_variables()
else:
init = tf.global_variables_initializer()
sess.run(init)#变量赋初值
for i in range(500):
# here to determine the keeping probability
sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})#其中,keep_prob表示保持百分之五十的输入,一般被舍去了
if i % 50 == 0:
# record loss
train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1})#用于测试集就不用舍去了,因为网络已经训练好了
#将训练集值在tensorboard中显示
test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1})
#将测试集值在tensorboard中显示
train_writer.add_summary(train_result, i)#加载到summary当中
test_writer.add_summary(test_result, i)#加载到summary当中
关于过拟合的理解:
https://yq.aliyun.com/articles/68901
https://blog.csdn.net/stdcoutzyx/article/details/49022443
自己的理解:
1、由于一个神经网络权重太多了,就容易产生过拟合问题。
2、训练一个整体的神经网络特别耗费时间。
这也是为什么引入dropout方法去训练神经网络的原因。
举个例子:50个人去完成一个任务
方法一:将50个人十分精确的分工,合力去完成任务。
类似于不加dropout去训练神经网络,特点是效率慢,可能会变得偏执,从而不能很好的完成这项任务。
方法二:把50个人分成10批,每批5个人,让这10批人分别去完成这项任务,完成任务即可。
类似于加了dropout去训练神经网络,优点是节省时间,效率快,不会偏执,最终完成的效果比较好。
对于以上第一个链接我的理解:
训练阶段乘以Xi是用来控制哪些神经元发生作用,哪些神经元不发生作用。Xi为1的概率为q,这是该神经元就发生了作用,为0的概率为1-q,这是该神经元就不发生作用,这样的话对总体的神经元随机挑选概率为q的神经元去训练,每次迭代的过程都进行随机挑选概率为q的神经元去训练,最终对所有的神经元都进行训练。测试阶段乘以q是挑选分工好的神经元去完成这项任务,因为训练的时候是对神经元按批次去训练的,所以预测的时候也不是用到所以的神经元,而是挑选小队去预测。
for i in range(500):
sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob: 0.5})
#0.5表示批次选百分之50的神经元训练,相当于一个小队,每次迭代随机选一个小队训练。
#预测的时候要乘以这个概率,因为训练时是分工训练的,预测时也要选出分工时候对应的神经元数。