tensorflow.python.eager,from tensorflow.python._pywrap
本文主要为大家介绍python人工智能tensorflow函数tf.nn.dropout的使用实例。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。
00-1010 TF . nn . dropout函数简介示例代码keep_prob=0.5keep_prob=1
目录
当集合神经网络足够复杂时，神经网络可以无限逼近一个非线性连续函数，但如果集合神经网络足够复杂，就会导致过拟合，如下图所示。
当我看到这条蓝色曲线时，我知道：
显然，蓝色曲线是过度拟合的结果。虽然它很好地拟合了每个点的位置，但曲线是弯曲的。这条曲线不稳定。在实际的工程实验中，我们更喜欢得到像黑线一样的曲线。
前言
Tf.nn.dropout是tensorflow的好朋友。其功能是用于缓解过拟合带来的问题的功能。它通常用于每个连接层的输出。
辍学就是在不同的训练过程中，让部分神经元按照一定的概率停止工作。也就是说，让每个神经元按照一定的概率停止工作。在这个训练过程中，权值不更新，也不参与神经网络的计算。但是它的权重还是存在的，下次更新可能会用到。
def dropout(x，keep_prob，noise _ shape=无，seed=无，name=无)
x一般是每层的产量。
Keep_prob，keep_prob的神经元保持工作，其余的停止工作，进行更新。
实际定义每一层神经元的时候可以加上Dropout。
def add_layer(inputs，in_size，out_size，n_layer，activation_function=None，keep_prob=1):
layer_name=图层%s%n_layer
使用tf.name_scope(layer_name):
使用tf.name_scope(Weights):
重量=tf。变量(TF . random _ normal([输入大小，输出大小])，name=Weights )
tf.summary.histogram(图层名称/权重，权重)
with TF . name _ scope( bias ):
偏差=tf。Variable(tf.zeros([1，out_size]) 0.1，name= biases )
TF . summary . histogram(layer _ name /bias ，bias)
with TF . name _ scope( Wx _ plus _ b ):
Wx_plus_b=tf.matmul(输入，权重)偏差
#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，辍学在这里。
TF . summary . histogram(layer _ name /Wx_plus_b ，Wx _ plus _ b)
如果activation_function==None :
输出=Wx_plus_b
else:
输出=激活功能(Wx_plus_b)
TF . summary . histogram(layer _ name /outputs ，输出)
返回输出
但是需要注意的是，神经元的输出层不能定义dropout参数。因为输出层是输出结果，如果在输出层定义参数，输出结果会被dropout丢弃。
s="maodian">
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 tffrom 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:
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。
以上就是python人工智能tensorflow函数tf.nn.dropout使用示例的详细内容，更多关于tensorflow函数tf.nn.dropout的资料请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。