tensorflow（5）过拟合

• 1.过拟合
  在训练集的准确率很高很高，即在训练集训练到的网络模型在测试集中不适用。即在测试集的准确率却不高（即， acc_train和acc_test差距过大！）。
  使用用Dropout即 `keep_prob ！=1.0后使得acc_train和acc_test差距缩小。
• 回归问题（连续问题）：
  

• 离散问题
  

• 2.防止过拟合的方法

  • 方法1.增加数据集
  • 方法2.正则化方法：在代价函数后添加一个正则项（减小网络一种复杂程度的方式）
  • 方法3.Dropout：在每次迭代，随机使得部分神经元工作，部分神经元不工作

• 3.Dropout防止过拟合方法体现

  在添加多层隐层网络后，该代码使得识别准确率提升，但是收敛速度过慢，在这里只截图训练部分图（未使用Dropout即keep_prob=1.0）：准确率达到97%
  问题来啦：在不使用LSTM和CNN的情况下，怎么使得准确度达到98%以上？
  
  使用Dropout 即keep_prob=0.7 随机产生的神经网络（收敛速度更慢）：
  

变得慢，为什么还要用Dropout：为了防止过拟合，使得acc_train和acc_test差距缩小。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#防止过拟合的一种方法 引入中间层

#载入数据(可以是某盘的绝对路径)（我的数据存储在运行路径下）
#mnist = input_data.read_data_sets('C:\\Users\\ZSl\\Documents\\MNIST_data',one_hot = True)
#或者相对存储路径：
mnist = input_data.read_data_sets('MNIST_data',one_hot = True)

#每个批次100张照片 每个批次的大小
batch_size = 100

#计算一共有多少个批次 （整除符号）
n_batch = mnist.train.num_examples // batch_size

#定义两个placeholder，None=100批次
x = tf.placeholder(tf.float32,[None,784])
y = tf.placeholder(tf.float32,[None,10])

#中间层利用
keep_prob=tf.placeholder(tf.float32)

#创建一个简单的神经网络（这里只是2层）
#输入层784个神经元，输出层10个神经元
W1 = tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))#初始化方式：正态  标准差0.1
b1 = tf.Variable(tf.zeros([2000])+0.1)
L1=tf.nn.tanh(tf.matmul(x,W1)+b1)#输出**
L1_drop=tf.nn.dropout(L1,keep_prob)#keep_prob代表有百分之多少的神经元在工作


#增加几个隐藏层
W2 = tf.Variable(tf.truncated_normal([2000,2000],stddev=0.1))#初始化方式：正态  标准差0.1
b2 = tf.Variable(tf.zeros([2000])+0.1)
L2=tf.nn.tanh(tf.matmul(L1_drop,W2)+b2)#输出**
L2_drop=tf.nn.dropout(L2,keep_prob)#keep_prob代表有百分之多少的神经元在工作  1.0 相当于Dropout没有使用

W3 = tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1))#初始化方式：正态  标准差0.1
b3 = tf.Variable(tf.zeros([1000])+0.1)
L3=tf.nn.tanh(tf.matmul(L2_drop,W3)+b3)#输出**
L3_drop=tf.nn.dropout(L3,keep_prob)#keep_prob代表有百分之多少的神经元在工作



W4 = tf.Variable(tf.truncated_normal([1000,10],stddev=0.1))#初始化方式：正态  标准差0.1
b4 = tf.Variable(tf.zeros([10])+0.1)
#W = tf.Variable(tf.zeros([784,10]))#初始化为0
#b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(L3_drop,W4)+b4)#得到很多概率（对应标签的10个概率）

#二次代价函数（如果输出神经元是线性的，适合用二次代价函数）
# loss = tf.reduce_mean(tf.square(y-prediction)) 正确率是91.34%
#另一种损失（交叉熵函数）如果输出神经元是S型的，适合用交叉熵函数（对数似然函数） 正确率是92.17% 
#在训练过程中 调整参数比较合理，收敛的就比较快
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

#使用梯度下降法（0.2的学习率）
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init = tf.global_variables_initializer()


#定义一个球准确率的方法
#结果存放在一个布尔型列表中（比较两个参数是否相等，是返回true）
#tf.argmax(prediction,1)返回最大的值（概率是在哪个位置）所在的位置，标签是几
#tf.argmax(y,1) one-hot方法对应的是否是1  就是对应的标签
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))
#求准确率（bool类型是true和false）转化为浮点型  显示1的和总的数据的比值就是准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))


with tf.Session() as sess:
    sess.run(init)
    #迭代21个周期
    for epoch in range(20):#每个图片训练21次
        for batch in range(n_batch):
            batch_xs,batch_ys =  mnist.train.next_batch(batch_size)
            #把训练数据feed数据喂给网络
            sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys,keep_prob:1.0})
            #把测试数据feed数据喂给网络
        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))